高エントロピー合金の機械的特性予測と実験的裏付けのある候補スクリーニングのための相安定性誘導型説明可能機械学習
Phase-stability-guided explainable machine learning for mechanical-property prediction and experimentally supported candidate screening of high-entropy alloys
高エントロピー合金(HEA)の機械的特性予測は、合金化学、相構成、加工状態、モデルの不確実性が強く相関するため困難であった。本研究では、541の相ラベル付きHEA、263の硬さラベル付き記録、214の降伏強度ラベル付き記録からなるデータベースを用い、相安定性誘導型説明可能機械学習フレームワークを開発した。物理的および加工記述子と、組成レベルのネストされたクロスフィッティングによって生成されたリーク制御相確率特徴量を組み合わせた。XGBoostとCatBoostモデルで特性予測を行い、ブートストラップアンサンブルで不確実性を定量化し、SHAPと累積局所効果でモデルを解釈した。30万件の仮想候補をスクリーニングし、CALPHAD支援評価と3つの代表的な合金の実験的検証を行った。相分類器の精度は0.923、硬さのR2は0.881、降伏強度のR2は0.856であった。3つの代表的な候補合金の測定された主要相、硬さ、圧縮降伏強度はモデル予測と概ね一致した。
- 相安定性誘導型の説明可能機械学習フレームワークを開発し、541の相ラベル付きHEA、263の硬さ記録、214の降伏強度記録のデータベースで学習した
- 相分類器の精度0.923、硬さのR2=0.881、降伏強度のR2=0.856を達成した
- 30万件の仮想候補をスクリーニングし、CALPHAD支援評価と3つの代表合金の実験的検証で主要相・硬さ・圧縮降伏強度が予測と概ね一致した
- XGBoost・CatBoostで特性予測、ブートストラップアンサンブルで不確実性を定量化、SHAPと累積局所効果でモデルを解釈した
HEA(高エントロピー合金)の探索をMIで加速する研究。相ラベル541件・硬さ263件・降伏強度214件という小規模データでも、リーク制御した相確率特徴量とブートストラップによる不確実性定量化、SHAP等の解釈手法を組み合わせることで硬さR2=0.881・降伏強度R2=0.856を達成し、30万件の仮想候補スクリーニングから選んだ3合金を実験で裏付けた点は、材料探索のコスト・期間短縮に直結する。実験検証まで含む閉ループを示したことで、材料インフォマティクスを事業化する企業・材料メーカーの開発効率優位性を測る指標になる。