形狀記憶合金 (SMA) 是固態驅動和熱能收集應用的優秀候選材料。然而，與溫度誘導的馬氏體轉變相關的不可逆微觀結構機制導致效率低下，限制了它們的使用。

近日，來自得克薩斯農工大學（TAMU）材料科學與工程系的研究人員使用人工智能材料選擇框架 (AIMS) 發現了一種新的形狀記憶合金。形狀記憶合金在鎳鈦基材料中表現出迄今為止最高的效率。此外，他們的數據驅動框架為未來材料開發提供了概念證明。

該研究以「Data-driven shape memory alloy discovery using Artificial Intelligence Materials Selection (AIMS) framework」為題，發表在《Acta Materialia》上。

形狀記憶合金是通過熱彈性與馬氏體相變及其逆變而具有形狀記憶效應的由兩種以上金屬元素所構成的材料。形狀記憶合金是形狀記憶材料中形狀記憶性能最好的材料。迄今為止，人們發現具有形狀記憶效應的合金有 50 多種。

形狀記憶合金被用于需要緊湊、輕便和固態驅動的各個領域，取代液壓或氣動驅動器，因為它們可以在低溫下變形，然后在加熱時恢復到原來的形狀。這種獨特的性能對于應用至關重要，例如作為飛機機翼、噴氣發動機和汽車部件，它們必須承受反復的、可恢復的大形狀變化。

自 20 世紀 60 年代中期以來，形狀記憶合金取得了許多進步，但都是有代價的。理解和發現新的形狀記憶合金需要通過實驗和臨時試驗和錯誤進行廣泛的研究。盡管許多已經記錄在案大約每 10 年，就會發現一種重要的形狀記憶合金成分或系統。此外，即使形狀記憶合金取得了進步，它們也受到能量效率低的阻礙，這是由于在大的形狀變化過程中其微觀結構的不相容性造成的。此外，眾所周知，它們很難從頭開始設計。

為了解決這些缺點，TAMU 的研究人員結合實驗數據創建了一個人工智能材料選擇（AIMS）計算框架，該框架能夠確定最佳材料成分并處理這些材料，從而發現了一種新的形狀記憶合金成分：Ni32Ti47Cu21 (at. %)。

本研究使用的 AIMS 框架的材料信息學策略，在 50 MPa 或更高的施加應力下尋找具有最小轉換范圍和至少 1.5% 的驅動應變的 SMA。

該過程需要使用機器從文獻和高通量實驗中提取和清理有關材料系統的大量數據。AIMS 框架使用各種機器學習方法來指導材料的探索和發現。學習發現有關材料系統的定性和定量信息，并對未知的材料成分和加工參數進行預測。然后合成選定的材料，并將預測與實驗數據進行比較，并重復該過程。

在使用 AIMS 進行的研究中發現的形狀記憶合金被預測，并證明可以實現有史以來最窄的滯后。換句話說，該材料在將熱能轉換為機械功時表現出最低的能量損失。由于相變溫度窗口極小，該材料在進行熱循環時表現出很高的效率。該材料在重復驅動下也表現出良好的循環穩定性。

鎳鈦銅成分是形狀記憶合金的典型組成。鎳鈦銅合金通常含有 50% 的鈦并形成單相材料。使用機器學習，研究人員預測了一種不同的成分，鈦含量為 47%，銅含量為 21%。

雖然這種成分處于兩相區域并形成顆粒，但它們有助于提高材料的性能，材料科學與工程系的博士生和研究生研究助理、該論文的第一作者 William Trehern 解釋說。

特別是，這種高效的形狀記憶合金適合于利用機器產生的廢棄能量的熱能收集和冷卻電子設備的熱能儲存。

值得注意的是，AIMS 框架提供了在材料科學中使用機器學習技術的機會。研究人員看到了為各種其他應用發現更多具有所需特性的形狀記憶合金化學物質的潛力。

Karaman 說：“使用機器學習來發現我們的大腦或已知物理原理可能無法解釋的聯系是一個啟示。我們可以使用數據科學和機器學習來加快材料發現的速度。我也相信如果我們關注機器學習可以找到的聯系，我們就有可能發現我們以前不知道的材料行為背后的新物理或機制。”

Arróyave 說：“雖然機器學習現在廣泛用于材料科學，但迄今為止的大多數方法都側重于預測材料的特性，而不一定解釋如何處理它以實現目標特性。在這里，該框架不僅著眼于候選材料的化學成分，而且也關注獲得感興趣的特性所需的處理。”