Al-Cu-Mg合金（2xxx系合金）是制造航空关键构件重要材料，但其成分复杂且室温和高温强化相不同，同步提升室温和高温下的强度与塑性难度极大。针对这一挑战，谢建新院士团队提出结合关键合金因子筛选、多目标贝叶斯优化和实验迭代的机器学习新策略，构建考虑室温和200°C条件下抗拉强度与断后伸长率四种目标性能的贝叶斯优化效能函数，实现了性能双重同步提升的合金成分快速理性设计。相关成果以“A machine learning strategy to achieve dual-synchronous property improvement of aviation Al-Cu-Mg alloy”为题发表在Journal of Materials Science & Technology期刊上。

图 复杂合金多目标优化机器学习成分设计策略

团队提出的机器学习策略确定了五个关键合金因子，模型预测精度较高，抗拉强度和断后伸长率模型均方根误差分别为13.1 MPa和1.9%。经三轮实验迭代，设计出新型合金C1（Al-4.3Cu-1.7Mg-0.5Mn-0.5Zn-0.2Zr-0.2Cr-0.1 Ti），其室温下抗拉强度为577±4 MPa、断后伸长率为18.0%±0.5%，200°C下分别为458±7 MPa和19.3%±0.9%，性能优于2524合金和2014合金。

该机器学习策略很好地实现了合金在室温和高温两种条件下的强度和塑性的双重同步提升，为其他合金体系性能同步提升提供参考，展现了人工智能赋能材料科学的潜力。