近日，我院张统一院士团队在计算材料领域著名期刊《npj Computational Materials》上发表研究论文“Divide and conquer： Machine learning accelerated design of lead-free solder alloys with high strength and high ductility (分而治之：机器学习加速高强高韧无铅焊料合金设计)”。上海大学为第一单位，我院21级博士生魏清华、20级硕士生曹斌(已毕业)和19级硕士生元皓(已毕业)为共同第一作者，张统一院士和董自强副教授为通讯作者。
实现高强度和高韧性一直是结构材料的设计目标之一，因为这两种性能通常是互相竞争的，称为强度-韧性权衡。如今，数据驱动范式与专业领域知识相结合，成为了研究、设计和发现同时具有高强度和高韧性结构材料的新策略。该研究首先提出了以抗拉强度和断裂延伸率之积为一联合特征，提升该联合特征就同时提高了抗拉强度和断裂延伸率；然后采用“分而治之”的策略来解决材料实验数据的样品尺寸小、实验数据噪音大和设计空间巨大的问题。该研究开发了一种新的数据预处理算法，命名为高斯过程回归树分类器 (Tree-Classifier for Gaussian Process Regression，TCGPR)，从而将原始无铅锡基焊料数据集划分为三个子集，搜索空间也相应分为三个子空间，并采用三个机器学习模型分别完成对三个子空间的学习任务，从而显著提高了预测精度和模型泛化能力。
随后，应用贝叶斯全局优化，在有实验误差和预报误差、平衡信息多区域和信息少区域的情况下，设计了下一步实验。实验结果与机器学习模型的预测结果十分匹配。通过此方法，发现了一系列具有高强度和高韧性的无铅焊料合金，为材料信息学领域，专家知识和数据挖掘手段的有机结合提供了新思路。
该工作得到了国家重点研发计划（编号：2018YFB0704400）、云南省科技重点研发项目（编号：202002AB080001-2）、云南锡业集团、上海市集成电路与新型显示材料工程研究中心和广州市科技项目（编号：2023A03J0003）的资助。
文章链接：https://doi.org/10.1038/s41524-023-01150-0