应用经验和数据驱动的方法来预测固溶体合金的形成，已经成为材料设计中的关键环节。然而，传统的经验法则在预测准确性方面表现不佳，尤其是在处理如高熵合金这类复杂体系时更为明显。

由美国能源部下属的两个国家实验室（NETL和ORNL）的研究人员组成的团队（包括Zongrui Pei、Junqi Yin、Michael C. Gao等人），利用机器学习技术取得了重要突破。研究发现，通过选择合适的物理量作为参数，经验法则可以实现更精确的预测。此前的经验法则之所以不够准确，主要是因为没有选择最关键的物理量作为预测依据。

研究团队采用了机器学习提供的物理量参数，建立了一套新的经验法则，用于预测不同高熵固溶体的形成情况。这些高熵固溶体涵盖了最具代表性的晶体结构，即面心立方（FCC）、体心立方（BCC）和密排六方（HCP）结构。实验结果表明，新方法的预测与计算相图高度一致。

这项研究成果最近发表在《npj计算材料》杂志上（2020年第6期，第50篇）。通过该研究，科学家们开发出了一种新的基于热力学原理的经验法则，能够有效地预测高熵固溶体的形成。尽管这种新法则的预测精度略低于机器学习模型（约73%），但它更加符合物理本质，并且在实际应用中具有更广泛的适用性。

该研究不仅证明了机器学习在材料科学领域的巨大潜力，还为今后设计和筛选新型高熵合金提供了实用工具。通过这种方法，研究人员可以快速高效地评估不同元素组合形成的固溶体是否稳定，从而加速新材料的研发进程。