原子间能量（IAEs）是理解、设计和调控材料性能的重要内在量，通常通过密度泛函理论（DFT）计算得出。然而，对周期表中目标元素与所有具有特定性能的合金元素进行详尽的DFT计算既耗时又昂贵。谢建新院士团队提出了一种基于IAEs的数字建模策略，结合少量DFT计算与主动机器学习，能够快速筛选出符合目标性能的合金元素，相关成果以“An interatomic-energy-based new materials design strategy combining DFT calculations and active machine learning”为题发表在JMST上。

铜镍合金因其良好的耐腐蚀性和优异的铸造性，广泛应用于海洋工程装备中的海水管道、船舶阀门和热交换器等。用于海洋工程装备的C70600铸造合金（Cu-10Ni-1Fe-1Mn）在室温下屈服强度仅为100MPa左右，且在高温下抗氧化性较差，难以适应深海勘探等工程对材料的严酷要求。因此，本研究以C70600铸造合金为验证对象，利用IEAs数字建模策筛选该合金具有特定性能的合金元素。通过少量DFT计算，建立了三个高精度IAEs模型，迅速筛选出了低成本且环保的元素Si、Al和Sn，这些元素能够同时增强C70600铸造合金的机械强度、耐腐蚀性和高温抗氧化性。实验验证表明，单独向C70600铸造合金中添加3.4%原子百分比的Si、Al或Sn，可使材料屈服强度提高114%~276%；在浓度3.5%的氯化钠溶液中浸泡7天，腐蚀速率降低6%~25%；在800°C高温空气中放置10小时，氧化增重减少10%~16%。该策略可使118种元素的DFT计算量减少85%以上，为开发具有多重目标性能的合金提供了一条新途径。