发布时间：2025-05-15

文章标题：硕士研究生程小涵在Journal of Non-crystalline Solids上发表非晶形成能力的机器学习文章

内容：

硕士研究生程小涵在《Journal of Non-Crystalline Solids》发表最新研究成果，为金属玻璃成形能力（GFA）的精准预测提供了全新解决方案。该研究首次将此前被机器学习预测分析忽视的相对能量（RE，即合金总能量与其组成元素参考态能量的差值）作为特征参数，结合拟合元素相参考能（FERE）法修正密度泛函理论计算的系统误差，将其融入极限梯度提升、支持向量回归、线性回归和决策树四种机器学习模型中。实验结果显示，加入相对能量后，四款模型的预测精度均显著提升，其中决策树模型的 R² 得分提升幅度达 10.47%，XGBoost 模型也实现 7.2% 的提升，且均优于现有同类研究成果。通过 SHAP 特征重要性分析发现，相对能量在四款模型中均位列第一，其能有效反映金属玻璃形成过程中的能量驱动机制，负向的相对能量状态可通过降低非晶相吉布斯自由能、抑制晶体形核生长，提升合金的玻璃成形能力，研究还明确了相对能量 - 0.18 至 0 的最优区间等关键参数范围。该研究不仅证实了相对能量对金属玻璃成形能力预测的核心作用，搭建了能量稳态与热力学稳定性的关联框架，还为高成形能力块体金属玻璃的研发提供了精准的理论指导和高效的预测方法，大幅减少传统试错法的人力与成本投入，推动金属玻璃材料的工业化应用进程。该研究得到中国航空发动机集团发展技术创新平台项目和陕西省自然科学基础研究计划的资助。

 

论文题目：Machine learning prediction of metallic glass forming ability: The pivotal role of relative energy

全文链接：https://doi.org/10.1016/j.jnoncrysol.2025.123554