近年来，机器学习作为一种重要的人工智能工具，在材料设计中得到了广泛的应用。多组元高熵合金，通常是五种或五种以上的金属形成的合金材料，往往具有优异的力学性能，获得了广泛的关注。然而数据驱动的机器学习方法通常需要足够多的训练样本。高熵合金系统第一性原理计算的复杂性限制了可用于图神经网络的精确结构数据的大小。需要精确的结构作为输入也限制了模型的大规模预测。

       为了提高小样本数据集下高熵合金材料预测精度，同时在不进行结构计算的情况下完成高熵合金的性质预测，该研究开发了一种基于信息最大化生成对抗网络和元素卷积图神经网络的算法框架：元素特征迁移对抗网络。元素特征迁移对抗网络使用元素卷积图神经网络从晶体的原子和结构信息中提取适合描述预测目标的元素特征。这些特征将被转移到生成对抗网络中，该模型用于生成具有预测目标的新元素特征，如图1所示。该研究中引入了迭代方法以提高信息最大化生成对抗网络的精度：使用多层感知器对信息最大化生成对抗网络生成的特征进行性质预测，将这些结果重新输入信息最大化生成对抗网络中训练，以提高网络对高熵合金性质的预测精度。

图 1 绿色部分为元素卷积图神经网络模型。元素卷积被用于提取材料中每个元素的特征，并利用主成分分析对特征进行降维。紫色部分是降维后的元素特征。蓝色块为信息最大化生成对抗网络模型。使用多层感知器对信息最大化生成对抗网络生成的特征进行预测，并将结果返回给信息最大化生成对抗网络训练。

       该研究将元素特征迁移对抗网络应用于高熵合金的性质预测中，使用生成网络的数据增强显著提高了模型的预测精度。同时，生成的元素特征可用作输入在广阔的成分空间中探索材料性质，避免了结构计算带来的庞大计算量。图2展示了在面心立方和体心立方结构下的形成能、磁矩和自由能。与传统认为Ⅷ族元素更容易形成面心立方高熵合金不同，该合金更倾向于形成面心立方，在普遍有着较高的磁矩的情况下，兼顾了合金强度。通过该生成模型，探索了广阔成分空间下高熵合金的稳定性，丰富了高熵合金相关的物性研究。同时，该研究开发的元素特征迁移对抗网络框架可用于各种多组元材料以解决机器学习数据量不足的困难，辅助材料开发与获得新的物理知识。

图 2 系统的形成能和磁矩预测。（a），（b）分别为面心立方和体心立方体系的形成能。（c）为面心立方与体心立方体系形成能差。（d），（e）为面心立方和体心立方体系的磁矩。（f）为相同组分面心立方和体心立方体系中相对稳定相的磁矩。（g），（h）为面心立方和体心立方体系的自由能。

       该成果近期以“EFTGAN: Elemental features and transferring corrected data augmentation for the study of high-entropy alloys”为题发表在npj Computational Materials上。清华大学物理系倪军教授为该论文的通讯作者，物理系博士生孙一博为论文的第一作者，合作者包括日本东北大学陈迎教授。该研究得到了国家自然科学基金、清华大学低维量子物理全国重点实验室、量子信息前沿科学中心、清华大学高性能计算中心的支持。

       文章链接：https://doi.org/10.1038/s41524-025-01548-y