北陆先端科学技术大学院大学共创智能研究领域的DAM Hieu-Chi教授、HA Minh-Quyet特别研究员、LE Dinh-Khiet博士生、HPC Systems株式会社的NGUYEN Viet-Cuong先生、大学共同利用法人信息系统研究机构统计数理研究所的木野日织教授、美国杜克大学的Stefano Curtarolo教授等人组成的国际联合研究团队，开发出了一i中整合材料数据库数据与AI从科学文献中提取的跨领域专家知识数据的新框架，加速了高熵合金（HEA）的发现进程。相关成果已发表在期刊《Digital Discovery》上。
图1 所开发的框架示意图（供图：北陆先端科学技术大学院大学）
HEA是一种由5种以上元素按近乎等原子比组成的新型合金类型，因其卓越的机械性能、热稳定性和耐腐蚀性作为下一代材料备受瞩目。然而，由于其庞大的成分空间和相形成机制的复杂性，寻找具有理想特性的稳定成分极为困难。
既往数据驱动方法在预测（内插）与训练数据相似的成分时表现优异，但对包含训练数据未涵盖元素的新型合金体系的预测（外推）能力较弱。换言之，探索未知领域存在困难。
另一方面，材料科学家通过多年研究积累了元素间置换可能性的丰富知识。这些专业知识虽散见于科学文献中，但此前尚未建立系统提取并整合数据加以利用的方法。
由此，研究团队以元素置换原理为核心概念，开发出整合了数据与专家知识的新框架。
新方法运用4种LLM，即大型语言模型（GPT-4o、GPT-4.5、Claude Opus 4、Grok3）作为知识提取工具，从腐蚀科学、材料力学、冶金学、固体物理学及材料科学等5大专业领域的视角，对元素的可替代性进行探索。从而系统性地提取了科学文献中积累的跨领域专业知识。提取出的知识与既定经验法则（Hume-Rothery法则）展现出86%的一致率，并证实该方法还能捕捉文献中报告的经验法则无法捕捉的替代模式。
此外，研究人员还运用Dempster-Shafer理论，整合了材料数据库中的实验/计算数据与AI提取的专家知识。该理论框架能在评估各信息源可靠性的基础上整合证据，并明确区分置信度与不确定性，从而清晰地呈现预测的依据及其局限性。
各知识源的可靠性将基于与目标材料特性的整合性进行自动评估。相关性高的知识源将被赋予高权重，相关性低的知识源则被赋予低权重，由此构建出防止不当知识混入的机制。
实验表明，在预测训练数据未涵盖的未知合金体系时，实现了86%～92%的预测精度。这种方法突破了既往方法在未知领域探索的局限，为从包含多种元素的广阔成分空间中高效发现HEA开辟了新路径。此外，针对从文献中收集的55种经实验验证的四元系合金，这种新框架展现出了超越传统经验法则和自由能模型的预测性能，其精度可媲美计算成本高昂的方法。更值得注意的是，对于不同材料体系的高熵硼化物（HEB），本框架也呈现出与前沿计算方法的高度相关性（相关系数0.81），充分验证了其通用性。
本次开发的新框架不仅适用于高熵合金的探索，还有望应用于面临庞大成分空间与数据稀缺性等共同挑战的各类材料体系。预计将拓展至功能陶瓷、催化剂材料等复杂多组分材料的设计领域。
新框架同时为“AI for Science （人工智能赋能科学研究）”领域提供了典型案例。通过将AI作为知识提取工具，整合人类积累的专业知识与数据，并明确处理不确定性，有望建立加速科学发现的新型研究范式。
今后，研究团队计划结合主动学习与强化学习技术，实现在有限的实验资源条件下筛选最优候选材料的开发决策辅助系统。
原文：《科学新闻》
翻译：JST客观日本编辑部
【论文信息】
期刊：Digital Discovery
论文：Beyond interpolation: integration of data and AI-extracted knowledge for high-entropy alloy discovery
DOI：10.1039/D5DD00400D
