在航空航天、海洋开发等领域具有广泛应用前景的铝基非晶合金，其耐蚀性能尤其是在含氯离子的环境中，仍存在较大的提升空间。同时，该合金体系一直存在的较低的玻璃形成能力使其难以获得完全非晶结构，而局部的结构不均匀性又会进一步恶化耐蚀性能。传统的优化基于大量试错，大量的研究人员选择尝试复刻同类材料的优化手段，以确认实际效果，但这个过程往往伴随着大量的时间、人力与物力的消耗，且难以寻找到各种优化路径的完美交集，随着近年互联网技术的发展及AI的普及，开始有更多研究人员开始思考是否可以通过此类技术，大幅缩短材料的优化周期。

中科院金属所等单位通过二次开发，构建了一个数据驱动框架，成功筛选出一个兼顾耐蚀性与玻璃形成能力的新型铝基非晶合金Al74.26Ni7.69Co2.49Y11.30La4.27，实现了高耐点蚀性与高玻璃形成能力的优异协同。目前这一成果以“Data-driven multi-objective design of Al-based metallic glasses with simultaneously enhanced pitting resistance and glass forming ability”为题发表于材料领域国际期刊《JMST》上。（https://doi.org/10.1016/j.jmst.2026.05.012）

【核心内容】

在此研究中，团队并没有采用传统的试错法，仅仅是通过高通量磁控共溅射技术制备了初始样品，并快速得到了初始的数据库，随后通过RC-Mixup数据增强方法扩展初始数据库，在此基础上，团队又开发出了Extended Categorical Boosting Regressor（ECBR）机器学习模型，以此精准预测合金的点蚀电位与玻璃形成能力，结合混合多目标优化算法，系统筛选出最优成分方案，并通过实验验证了其实际性能。

图形摘要

【研究成果】

① 高通量实验与智能数据增强

团队一次性制备了覆盖广阔成分空间的梯度薄膜库，通过对每个离散成分点的结构与腐蚀性能进行快速表征，建立了高质量的初始数据集，为解决初始数据集不足导致机器学习模型的局限性，团队引入了RC-Mixup数据增强策略，在保持数据高保真度的前提下，有效扩充了数据集。

高通量Al基非晶合金库的成分与性能统计分析

RC-Mixup数据增强策略的效果评估

预测点蚀电位的机器学习特征工程与选择过程

② 高精度预测与机理解释

ECBR模型表现出优异的预测精度，团队通过SHAP可解释性分析揭示了影响耐点蚀性的关键物理描述符：高功函数提高了电极反应的能垒，抑制初始阳极溶解，促进形成致密钝化膜；而接近1的皮林-贝德沃思比（PBR）则能促进形成内应力小且附着紧密的氧化层，从而提升耐点蚀性。

机器学习模型性能、可解释性分析及多目标优化得到的帕累托前沿（Pareto Frontier）

③ 实验合成验证性能突破

基于ECBR模型，团队采用NSGA-II与MOEA/D对耐蚀性和成形性进行协同优化，代表性成分Al74.26Ni7.69Co2.49Y11.30La4.27的实验验证结果与预测基本符合，表现出优异的综合性能，其点蚀电位-118.2 mV与Δq = 0.67 Å-1均处于高水平。

基于高分辨透射电镜（HRTEM）和自相关函数（ACF）分析的合金局部结构有序度评估

三种铝基金属玻璃在NaCl溶液中的电化学腐蚀性能

④ 揭示“高GFA导致耐蚀性下降”的微观机制

耐蚀性最优的合金其钝化膜内的施主密度（ND，代表氧空位等缺陷浓度）最低，意味着膜更致密，能更有效阻隔侵蚀性离子的渗透，团队在优化合金表面观察到一层厚度约10nm的成分均匀非晶态钝化膜，膜中富集Y和La元素，但团队也发现追求极致玻璃形成能力（GFA）会导致合金原子堆垛更趋“类晶体”，这会在动力学上阻碍耐蚀性元素向表面扩散，从而延迟高质量钝化膜的形成，最终导致钝化膜耐蚀性下降。

钝化膜的半导体特性、生长动力学及成分分析

钝化膜的微观结构与成分分析

【总结与展望】

该工作不仅通过实验验证了数据驱动设计的高效性，发现了综合性能领先的新型铝基非晶合金成分，更从热力学和动力学角度，阐释了“耐蚀性”与“成形性”之间协同与权衡的物理本质，为破解多性能相互制约的复杂材料设计难题提供了可复制的方法论。