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。