机构名称：
¥ 1.0
高熵材料 (HEM)，包括合金、陶瓷、氧化物和半导体，吸引了大量研究者，以研究其诱人/优异的性能和潜在的关键应用（ Zhang et al., 2014 ; Santodonato et al., 2015 ; Wang et al., 2017 ; Zhang et al., 2017 ; Ding et al., 2019 ; Qin et al., 2019 ; Shi et al., 2019 ; Li et al., 2020 ; Oses et al., 2020 ; Wright and Luo, 2020 ）。由于多个溶质原子的贡献，预计构型熵会更高，从而倾向于形成简单的固溶体（非晶态或晶体），而不是具有许多化合物的复杂微结构。除了高通量实验外，由相图计算（CALPHAD）、从头算分子动力学、相场模拟、有限元计算和蒙特卡罗组成的集成计算材料工程（ICME）方法也得到了材料基因组计划/工程（MGI/MGE）的支持，并正在增强数据库（Liu et al.，2040；The Minerals Metals Materials Society，2015；Wang et al.，2019；Wang et al.，2020）。面向可继承的集成智能制造时代，数据驱动的 ICME 对于加速新型先进 HEM 的发现和应用至关重要。本文回顾并强调了 HEM 领域的前沿研究，介绍了最近对 HEM 的成分 - 加工 - 微观结构 - 性能 - 性能关系的基本理解和理论建模的研究，HEM 具有远超传统合金的可定制性能，例如高强度、延展性、超高熔点、电导率和热导率、耐腐蚀、抗氧化、疲劳和耐磨性。这些特性无疑将使 HEM 在生物医学、结构、机械和能源应用方面引起人们的兴趣。HEM 具有新颖和令人兴奋的性质，有望实现显着增长，并为新的研讨会和研究领域提供了绝佳机会。在本期特刊中，我们汇总了五篇手稿，讨论了与新型 HEM 相关的几个关键方面。在题为“高熵合金的高通量计算：简要回顾”的评论文章中，Li 等人。重点介绍了HEM合成物开发中常用的四种计算方法，包括经验模型、第一性原理计算、CALPHAD和机器学习。经验模型和机器学习都是基于总结和分析，后者由于使用了多种算法而更可信。第一性原理计算基于量子力学和多个开源数据库，也为CALPHAD和机器学习的热力学分析提供了更精细的原子信息。
社论：数据驱动的高熵材料集成计算材料工程
主要关键词
相关文件推荐
