面心立方(FCC)多主元合金(MPEA)表现出了独特的高强度和高延展性，但它们在使用环境中仍然容易受到局部腐蚀的影响。因此，提高它们的耐腐蚀性对于更广泛的工程应用至关重要。鉴于现有的腐蚀数据十分匮乏，且铁基复合材料金属封装件的成分构成极为复杂。

近日中科院金属所等单位的研究人员引入了一种混合框架，该框架利用WGAN-GP进行数据增强，并结合机器学习模型和贝叶斯优化来优化合金成分。该研究结果以“Accelerated discovery of corrosion-resistant multi-principal element alloys via data-augmented machine learning”为题被发表在期刊《Corrosion Science》上。

文章链接：

https://doi.org/10.1016/j.corsci.2025.113567

【核心内容】

该研究提出了一种融合带梯度惩罚的WGAN-GP数据增强、机器学习（ML）模型和贝叶斯优化的混合框架，他们将原始的83个数据样本扩充到了583个，被优化后的MLP模型的预测性能被显著提升。通过该框架，研究人员们设计出了两种高耐蚀合金，分别为Fe_20.3Cr_32.3Ni_20.3Al_2.03Co_25.07(ML-MPEA-1)和Fe_20.1Cr_35.04Ni_20.1Al_4.66Co_20.1(ML-MPEA-2)，实验验证了其点蚀电位分别达839mV vs. SCE和1065mV vs. SCE，后者较数据集最优成分被提升了20%，其优异耐蚀性源于Cr氧化物富集形成的低缺陷密度非晶钝化膜，该框架为耐蚀MPEAs设计提供了通用范式。

图形摘要

【研究成果】

① 技术框架

该研究采用了WGAN-GP将原始的83组FCC MPEAs腐蚀数据扩充到了583组，解决了腐蚀数据稀缺的问题，优化后的MLP模型预测精度被显著提升，较原始数据集训练模型性能提升了94%。

WGAN-GP概述及机器学习加速设计的耐腐蚀MPEAs

Epit预测的数据增强与分布分析

② 建立耐蚀性预测模型

通过SHAP分析明确了Cr含量是影响点蚀电位的主导因素，钝化膜零电荷点和氧化物功函数为关键描述符，为成分优化提供明确理论依据。

特征重要性与SHAP贡献分析

③ 材料性能

被设计的两种合金均具备优异的腐蚀防护特性，腐蚀电流密度低为0.057-0.073μA/cm²，钝化膜电阻达3.08×10⁵−3.25×10⁵Ω⋅cm²，缺陷密度仅为10²⁰ cm^-3级，远优于传统不锈钢及多数现有的MPEAs

两种合金的电化学测试结果

④ 耐蚀核心机制

合金优异的耐蚀性主要依靠与Cr氧化物富集形成的低缺陷、高电子功函数非晶钝化膜，钝化膜中Cr含量为49-57at.%，可抑制Cl^-吸附与电子转移，阻碍局部腐蚀的开始与扩展。

XPS分析

MPEAs的钝化膜透射电镜结果

MPEAs的腐蚀机理示意图

【总结与展望】

该研究通过数据增强、机器学习与贝叶斯优化的融合框架，高效设计出高耐蚀FCC多主元合金，并揭示其Cr氧化物富集主导的耐蚀机制，为数据稀缺场景下的材料研发提供了可行范式。未来可进一步拓展元素体系与腐蚀环境覆盖范围，优化模型对极端工况的预测能力，推动该框架在更多工程材料设计中的规模化应用。