量子退火机器学习发现兼具韧性、高强度与耐腐蚀性的高熵合金

这对未来材料意味着什么

从更轻的汽车与船只到更耐用的医疗器械，现代技术依赖能够同时具备高强度、柔韧性与耐腐蚀性的金属。然而，发现这样的“理想合金”非常缓慢，因为研究人员必须在庞大的可能成分空间中搜索，且可用数据有限且常有噪声。本文展示了一种名为量子退火的量子计算方式如何与机器学习协同，更高效地导航这一搜索过程，并通过设计与测试一种新的高熵合金来验证这一方法，该合金兼具韧性与高度耐腐蚀性。

在金属的大草堆中寻找针

传统合金以一种或两种主要元素为基础，而高熵合金则将四种或更多元素以相近含量混合，从而打开了大量可能的结构与性能组合。这种自由度也带来代价：成分数量爆炸性增长，对每个候选体进行详尽的物理模拟太慢。数据驱动模型可以提供帮助，但现有的实验数据稀缺且不一致，使复杂模型容易“过拟合”数据的偶然特性而非潜在物理规律。选择合适的输入描述符、调整模型复杂度以及裁剪无用的模型部分都成为困难的优化问题，经典算法常会陷于仅仅“不错”而非真正优秀的解。

让量子物理引导算法

量子退火通过将这些问题重新表述为能量景观来解决它们：每一种可能的特征选择、参数或连接对应一种量子自旋的排列，而最佳解位于最低能量处。由于量子系统可以同时探索多种构型并穿隧通过薄的能量屏障，它们可能逃脱困住经典算法的局部陷阱。本文作者构建了一个“量子辅助机器学习”(QaML) 框架，将若干关键步骤——选择描述符、训练支持向量模型和剪枝神经网络——转化为适合量子退火器的二次二元形式。他们还结合了一种巧妙的分批方案，使得即使在当今受限规模的量子设备上也能处理大型描述符集合。

从数据到一种有前景的新合金

借助这些工具，团队将关注点放在由铝、铬、铁、锰和钛构成的高熵合金上。在这一族合金中，他们寻求形成单相体心立方结构且同时轻质、高强并能在严苛的酸性盐环境下耐腐蚀的候选体。基于物理的规则——例如要求元素能形成保护性表面膜并避免易形成不稳定氧化物的组合——缩小了搜索空间。量子辅助的特征选择为两项任务识别出一小组有意义的描述符：一项分类模型预测合金在变形时是脆性还是韧性，另一项回归模型估计屈服强度。随后在经过精心整理的实验数据上训练了量子优化的神经网络和支持向量机。值得注意的是，使用量子退火进行剪枝的神经网络比经典方法剪枝的网络具有更好的泛化能力，即便经典求解器在数值代价上找到的值略低，这表明量子方法倾向于偏好解空间中更广、更稳定的区域。

将预测付诸检验

利用这一整合筛选流程，该框架挑选出一种特定成分 Al8Cr38Fe50Mn2Ti2（按原子百分比）作为特别有前景的候选。计算结果表明它应形成简单的单相结构，具备高延展性、高强度、相对低密度以及良好的耐腐蚀性能。研究人员合成了该合金并证实其晶体化为所期望的结构且元素分布均匀。压缩测试显示其0.2%屈服强度为568兆帕，并在断裂前发生超过40%的应变——表明具有显著的韧性。在酸性氯化物溶液中的耐腐蚀测试显示，其钝化膜在更高电位下保持稳定且临界电流密度几乎比常规304不锈钢低一个数量级，这意味着表面更具保护性且寿命更长。

为更聪明的合金设计开辟新路径

用通俗的话来说，这项研究表明量子增强算法可以帮助科学家在极为庞大的设计空间中筛选出既坚固又寿命长的金属配方，即便仅有有限的实验数据。通过在实验室中验证所预测的特定高熵合金性能，这项工作将量子退火从理论趣味推进为材料设计中的实用工具。随着量子硬件的进步，类似的工作流程可能会加速各类先进材料的发现，从车辆与船舶的结构合金到在极端环境中抵抗腐蚀的专用涂层。

引用: Ibarra-Hoyos, D., Connors, P.F., Jang, H. et al. Quantum-annealed machine learning discovers ductile, high strength and corrosion-resistant high-entropy alloy. npj Comput Mater 12, 159 (2026). https://doi.org/10.1038/s41524-026-02032-x

关键词: 量子退火, 机器学习, 高熵合金, 材料发现, 耐腐蚀性