北陸先端科學技術大學院大學共創智慧研究領域的DAM Hieu-Chi教授、HA Minh-Quyet特別研究員、LE Dinh-Khiet博士生、HPC Systems株式會社的NGUYEN Viet-Cuong先生、大學共同利用法人資訊系統研究機構統計數理研究所的木野日織教授、美國杜克大學的Stefano Curtarolo教授等人組成的國際聯合研究團隊，開發出了一i中整合材料數據庫數據與AI從科學文獻中提取的跨領域專家知識數據的新框架，加速了高熵合金（HEA）的發現進程。相關成果已發表在期刊《Digital Discovery》上。
圖1 所開發的框架示意圖（供圖：北陸先端科學技術大學院大學）
HEA是一種由5種以上元素按近乎等原子比組成的新型合金類型，因其卓越的機械性能、熱穩定性和耐蝕性作為下一代材料備受矚目。然而，由於其龐大的成分空間和相形成機制的複雜性，尋找具有理想特性的安定成份極為困難。
既往數據驅動方法在預測（內插法）與訓練數據相似的成分時表現優異，但對包含訓練數據未涵蓋元素的新型合金體系的預測（外插法）能力較弱。換言之，探索未知領域存在困難。
另一方面，材料科學家通過多年研究積累了元素間置換可能性的豐富知識。這些專業知識雖散見於科學文獻中，但此前尚未建立系統提取並整合數據加以利用的方法。
由此，研究團隊以元素置換原理為核心概念，開發出整合了數據與專家知識的新框架。
新方法運用4種LLM，即大型語言模型（GPT-4o、GPT-4.5、Claude Opus 4、Grok3）作為知識提取工具，從腐蝕科學、材料力學、冶金學、固態物理學及材料科學等5大專業領域的視角，對元素的可替代性進行探索。從而系統性地提取了科學文獻中積累的跨領域專業知識。提取出的知識與既定經驗法則（Hume-Rothery法則）展現出86%的一致率，並證實該方法還能捕捉文獻中報告的經驗法則無法捕捉的替代模式。
此外，研究人員還運用Dempster-Shafer理論，整合了材料數據庫中的實驗/計算數據與AI提取的專家知識。該理論框架能在評估各資訊源可靠性的基礎上整合證據，並明確區分可信度與不確定性，從而清晰地呈現預測的依據及其侷限性。
各知識源的可靠性將基於與目標材料特性的整合性進行自動評估。相關高的知識源將被賦予高權重，相關低的知識源則被賦予低權重，由此構建出防止不當知識混入的機制。
實驗表明，在預測訓練數據未涵蓋的未知合金體系時，實現了86%～92%的預測精度。這種方法突破了既往方法在未知領域探索的侷限，為從包含多種元素的廣闊成分空間中高效發現HEA開闢了新路徑。此外，針對從文獻中收集的55種經實驗驗證的四元系合金，這種新框架展現出了超越傳統經驗法則和自由能模型的預測性能，其精度可媲美計算成本高昂的方法。更值得注意的是，對於不同材料體系的高熵硼化物（HEB），本框架也呈現出與前緣計算方法的高度相關（相關係數0.81），充分驗證了其通用性。
本次開發的新框架不僅適用於高熵合金的探索，還有望應用於面臨龐大成分空間與數據稀缺性等共同挑戰的各類材料體系。預計將拓展至功能性陶瓷、觸媒材料等複雜多成分材料的設計領域。
新框架同時為「AI for Science （人工智慧賦能科學研究）」領域提供了典型案例。通過將AI作為知識提取工具，整合人類積累的專業知識與數據，並明確處理不確定性，有望建立加速科學發現的新型研究範式。
今後，研究團隊計畫結合主動學習與強化學習技術，實現在有限的實驗資源條件下篩選最優候選材料的開發決策輔助系統。
原文：《科學新聞》
翻譯：JST客觀日本編輯部
【論文資訊】
期刊：Digital Discovery
論文：Beyond interpolation: integration of data and AI-extracted knowledge for high-entropy alloy discovery
DOI：10.1039/D5DD00400D
