主要观点总结
本文介绍了李金山教授和袁睿豪副教授团队在材料设计方面的创新研究。他们提出了一种结合无监督聚类、可解释分析和相似性评估的采样框架，用于在有限数据的条件下高效地设计出性能优异的新材料。以高温合金为例，该团队实现了材料γ'相溶解温度的外推预测和高效设计，并通过实验验证了该方法的有效性。该研究为材料优化设计和新材料发现提供了新的思路。
关键观点总结
关键观点1: 新材料的发现面临数据稀缺和搜索空间庞大的挑战。
数据在搜索空间中分布不均匀，基于预测的采样通常更偏向于内插，而不是外推。因此，如何在有限数据的条件下高效地设计出性能优异的新材料成为亟待解决的科学问题。
关键观点2: 李金山教授和袁睿豪副教授团队提出了一种创新的材料设计方法。
该方法结合了无监督聚类、可解释分析和相似性评估，基于已知数据和未知数据的聚类距离进行采样，实现了材料γ'相溶解温度的外推预测和高效设计。
关键观点3: 研究以高温合金为例，实现了高效设计。
该团队从包含179个样本的稀疏数据集出发，选择并合成了9个具有不同成分的合金，其中三个合金的T γ' 相比训练数据显著提高。这验证了采样框架的高效性。
关键观点4: 研究发现了与高温合金性能相关的关键材料特征。
合金原子尺寸差和混合焓是影响高温合金性能的重要因素。增加原子尺寸失配可能导致形成金属间相，而混合焓表征元素之间的化学相容性和结合力。
关键观点5: 该研究验证了采样框架在新合金设计方面的高效性。
与主动学习进行对比分析的基线研究发现，主动学习需要多次迭代才可能达到同等水平，并且其成分与原有合金更相似。
文章预览
海归学者发起的公益学术平台 分享信息，整合资源 交流学术，偶尔风月 机器学习（ML）算法具有对高度非线性数据的优异拟合能力，已越来越多地应用于材料科学以寻找新材料。然而，新材料的发现仍然面临着数据稀缺和搜索空间庞大的挑战。如果数据在搜索空间中分布不均匀，或是局限于某些区域，基于预测的采样通常更偏向于内插，而不是外推。尽管使用主动学习等方法也需要多次迭代来进行材料性能的外推。因此，如何在有限数据的条件下高效地设计出性能优异的新材料，成为亟待解决的科学问题。 来自中国西北工业大学材料学院的李金山教授和袁睿豪副教授团队，提出了一种创新的材料设计方法，开发了结合无监督聚类、可解释分析和相似性评估的采样框架，其核心是基于已知数据和未知数据的聚类距离进行采样，并以航空发动机高温
………………………………
