传统的材料设计和开发方法，如依靠经验和试错，效率低下、周期漫长且成本高昂。近年来，随着材料数据的积累和机器学习技术的进步，科研人员逐渐重视从现有材料数据中挖掘新知识或建立新模型，从而提高新材料的研发效率。然而，这一途径仍然面临诸多挑战。特别是在合金设计方面，如何揭示成分与性能之间的复杂关系，并据此设计出满足特定功能需求的多元复杂成分合金，仍然是一个艰巨的任务。

北京科技大学的谢建新研究团队提出了一种新的方法，通过挖掘文献中关于高强度高导电铜合金成分与性能的数据，利用机器学习技术揭示成分与性能之间的隐含复杂关系，从而实现面向功能需求的多元复杂铜合金成分的快速精准设计。他们利用反向传播神经网络收集了300组高性能铜合金的成分与性能数据，构建了成分到性能（C2P）和性能到成分（P2C）两个模型。鉴于前者预测性能的可靠性高于后者，他们采用前者对后者的设计结果进行评估，以确定设计是否合理（即通过比较目标性能与预测性能的相对误差来判断）。

该团队设计了一个包含建模与训练、成分设计及性能预测三大功能的机器学习合金设计系统（MLDS）。该系统能够自动、快速筛选出较为合理的成分设计方案，解决了面向功能需求的合金成分设计难题。他们以抗拉强度600至950兆帕和导电率50%国际退火铜标准作为目标性能，成功设计了适用于引线框架的六到七元铜合金成分。通过对比文献中的三种合金和实验室制备的两种合金的实际性能与目标性能，发现两者之间存在高度一致性。这一方法为更广泛地利用机器学习高效准确地设计高性能金属材料成分提供了新的思路。

该研究近期发表于《npj 计算材料学》期刊（npj Computational Materials 5: 87, 2019）。英文标题与摘要如下： [A property-oriented design strategy for high performance copper alloys via machine learning]

Changsheng Wang†, Huadong Fu†, Lei Jiang, Dezhen Xue & Jianxin Xie

传统材料设计方法，如试错法和专家经验，耗时且成本高。本研究提出了一种包含机器学习建模、成分设计和性能预测三个特性的机器学习设计系统，旨在加速新材料的发现。我们展示了这种系统在设计抗拉强度为600至950兆帕和导电率为50%国际退火铜标准的高性能铜合金成分上的高效性。对于文献中的三种合金以及实验室制备的两种合金，其实际性能与目标性能之间表现出良好的一致性。这为通过机器学习实现面向功能需求的复杂合金成分设计提供了一种新方法。