近期，大连理工大学材料科学与工程学院王清教授及团队成员在模拟计算和机器学习方面取得重要进展。王清教授所在的材料设计课题组一直致力于高性能合金材料的设计与研发工作，围绕董闯教授提出的作为材料基因的团簇结构模型，形成了实用的团簇式成分设计方法，提升了合金研发效率，发展出一系列高性能工程合金材料，并在多个领域得到了应用。王清，大连理工大学材料科学与工程学院教授，主要从事发展合金设计方法和研发先进工程合金材料的研究工作，涉及的合金体系主要有高性能钛/锆合金、导电铜合金、核电反应堆用特种不锈钢、高熵合金等。近年，主持国家自然科学基金2项，辽宁省自然科学基金1项，中国核动力设计研究院国家重点实验室基金2项；作为骨干，参加国家十三五重点研发计划2项，国家自然科学基金重点项目和面上项目3项，国家科技计划国际合作专项项目1项等；参加企业合作项目4项。在ScriptaMater.、ScientificReports、MaterialsDesign等期刊上发表文章80余篇，申请和授权专利二十余项；多次在本领域内重要国内外学术会议做邀请报告。材料的性能与多个尺度的微观组织结构密切相关，主要包括元素组合和基因单元等。前期工作中，课题组利用独创的团簇式成分设计方法实现了对合金微观组织的调控，首次从实验中获得了立方形态B2纳米粒子在BCC基体上共格析出，展现出优异的力学性能。该工作在年发表在国际金属材料领域顶级期刊《ActaMaterialia》上，且被评为高被引论文。在此基础上，采用相场方法模拟了共格组织的演化过程，揭示了材料微观组织的成分关联机制，实现了对材料宏观力学性能的调控，由此形成以性能目标为导向的高性能工程合金成分设计。目前，该工作以Phase-fieldsimulationofcoherentBCC/B2microstructuresinhighentropyalloys为题再次被《ActaMaterialia》刊出。图1.团簇式方法设计的合金共格组织及相场模拟在材料基因组计划的发展中，跨尺度计算材料学突显理性设计的优势，其中体系特征参数辅助的机器学习方法在高性能工程合金研发过程中展现出独特的潜力。然而，体系特征参数并未与成分直接关联，导致在以性能为导向预测新合金时需要搜索较大的成分空间，增加了实验验证的难度。该课题组利用团簇成分式解决了上述问题，有效提升了机器学习的预测精度。在最新的研究工作中，系统构建了BCC-bTi合金成分(ci)与合金性能(弹性模量E)之间的关联，并对机器学习的预测结果进行了实验验证，发现团簇式的嵌入使得实验结果与机器学习预测高度一致。目前，该工作以Cluster-formula-embeddedmachinelearningfordesignofmulti