近日，必威体育 赫晓东院士团队柏跃磊教授课题组在AI赋能新材料研究领域取得重要进展。该团队提出了一种结合机器学习与第一性原理计算的集成计算框架，无需任何实验数据所训练的机器学习模型仅凭目标化合物的元素组成即可在数秒内评估该化合物的燃烧合成可行性。该方法成功应用于MAX相与MAB相的并指导了新相的发现。相关成果以《Machine learning screening the feasibility for self-propagating reactions of the MAX and MAB phases with ab initio dataset》为题发表于Nature合作期刊《npj Computational Materials》。
三元层状过渡金属化合物MAX相和MAB相因其兼具金属与陶瓷的共同特点已在热障涂层等极端环境服役环境展现出应用潜力。然而，这类材料的传统制备方法（如热压烧结、放电等离子烧结等）存在成本高、周期长、能耗大等问题，严重限制了其规模化应用。燃烧合成因具有反应快速、能量自维持、工艺简单等优势，被认为是理想的规模化制备工艺。但该方法的核心难点在于：并非所有材料体系都能发生自维持燃烧反应，其可行性缺乏可靠预测方法。自蔓延反应能否持续进行通常由绝热燃烧温度（Tad）是否超过1800 K决定，但Tad计算依赖完整热力学数据，新材料体系缺乏实验热力学参数，导致可行性评估长期依赖经验试错。因此，亟需一种可快速预测新材料燃烧合成可行性的理论方法。
图1 基于第一性原理数据构建机器学习模型以快速预测MAX与MAB相自蔓延高温合成可行性的整体流程，其中通过多组实验验证了第一性原理计算与机器学习预测结果的可靠性。
图2 （a）随机森林回归（RFR）模型准确性随特征数量变化关系；（b）RFR、KNN、决策树与XGBoost模型的R²、RMSE与MAE对比；（c）基于RFR模型得到的MAX与MAB相中Tad的10个关键描述符的重要性排序；（d）二维SISSO模型预测值与DFT计算Tad的对比关系。
该研究团队构建了从密度泛函理论（DFT）计算到机器学习回归预测的完整计算框架，以106种MAX与MAB相候选材料为例，计算获得其反应焓、热容及绝热燃烧温度等关键热力学参数，并基于Merzhanov提出的Tad>1800K判据建立了统一的燃烧合成可行性筛选标准。在此基础上，研究进一步引入随机森林回归模型与SISSO可解释性机器学习方法，将36种涵盖元素电负性、原子半径、价电子浓度及结构参数等描述符进行特征筛选与降维处理，最终确定10个关键物理描述符作为决定自蔓延反应的核心因素，实现了从高维物理空间到低维可解释模型的映射。尤其，在理论计算结果指导下共实现了6种化合物的首次燃烧合成并发现了新相V5PB2。需要指出的是，在过去的30年间采用燃烧合成工艺仅合成了10余种MAX与MAB相化合物。
该研究建立了DFT计算与机器学习融合的燃烧合成可行性预测新范式，可应用于其它材料体系的燃烧合成可行性评估，具有很强的可扩展性。同时，揭示了决定MAX/MAB相自蔓延反应的关键物理机制，为复杂材料体系的高通量筛选与合成提供了通用方法，并为未来高温结构材料的规模化合成开辟了新的研究路径。
论文第一作者是必威体育 博士生尹航，通讯作者为必威体育 柏跃磊教授。
论文原文链接：//doi.org/10.1038/s41524-026-02216-5
图文：柏跃磊
一审：王猛
二审：郭继峰
三审：明麟
