相图描述了热力学相平衡、相的形成和相变过程，有助于生产中设计反应、热处理过程和新材料。多组分材料的成分-温度相图是在不同元素及其不同的组成的基础上建立的，相图的复杂度和数量可以随组元的数量而成指数地增加。实验根据成分和性质（如电阻率、晶格参数、吸放热等）之间关系确定相图，往往耗费时间和成本。计算方法，包括基于密度泛函理论（DFT）的从头计算和基于CALPHAD（相图计算）的热力学计算，可以加速相图的构建。但在研究含有四个或五个以上组分的多组分系统时，特别是在已有的热力学数据库中没有关于相对较新系统的信息时，通常要花费相当大的计算成本。因此，即使在先前的数据库中没有可用的信息的情况下，如何在巨大的相图搜索空间中，预测系统中所有多组分相图，并加速开发新的具有特定性质的相图（比如具有三相点的相图），是一个有待解决的问题。

近期，西安交通大学金属材料强度国家重点实验室研究人员利用机器学习的优势，从先前的小规模实验数据开始学习，实现了对多组分系统中超过十万个未探索相图的快速预测，并搜寻出其中具有期望特性的相图，然后，通过主动学习策略引导最少数量的新实验，有效地实现了目标相图的实验确定。研究人员分别在TiNi基形状记忆合金体系和BaTiO3基陶瓷体系建模、实验和印证了这种主动学习辅助多组分相图建立的方法，分别建立了形状记忆合金与铁电陶瓷两个伪二元相图,每个相图仅通过三组新实验得到了验证和优化。其中，在形状记忆合金训练数据集不含有元素“Zr”的情况下，仍然较为准确地预测了含有“Zr”元素的相图。此研究工作提供了一种快速预测和搜索各种不同材料系统中的相图（甚至是多组分相图）的方法，特别是针对那些仅仅具有少量实验数据的材料，有利于帮助我们发现和建立满足需求的相图。

       该研究成果近日以《利用主动学习加速具有特定性质的多组分相图构建》（Determining Multi-component Phase Diagrams with Desired Characteristics using Active Learning）为题，发表于Wiley的综合性期刊《先进科学》（Advanced Science）上。西安交通大学为本文的第一作者单位和通讯作者单位。该研究得到了国家自然科学基金、国家重点研发计划等项目的共同资助。

       论文链接：https://doi.org/10.1002/advs.202003165