2022年10月6日，德国马普钢铁研究所韦业博士与Dierk Raabe教授（共同通讯）联合提出了一种主动学习策略，以基于非常稀少的数据，在几乎无限的成分空间中加速高熵因瓦合金的设计。该研究方法是一个闭环，将机器学习与密度泛函理论、热力学计算和实验相结合。研究人员首先使用了699种合金的公开数据训练了学习算法，然后让算法生成大量具有低热系数的候选成分，在加工和表征了17种可能的新合金后，研究人员确定了两种热膨胀系数极低的高熵因瓦合金（在300 K下为约为2×10-6 K-1）。该方法是一种快速、自动发现具有最佳热、磁和电性能的高熵合金的合适途径。该论文以题为“Machine learning–enabled high-entropy alloy discovery”发表在知名期刊Science上。此前，机器学习也曾多次登上Nature，Science等顶刊，在材料学、医学等领域大放异彩。