日本国立研究开发法人物质材料研究机构（NIMS）技术开发与共用部的出村雅彦部长，源聪副平台主管等，与名古屋大学的小山敏幸教授组成的联合研究团队，通过材料研究人员分析AI所发现的优秀热处理模式群、提取材料的精华，设计出了一种比以往能够更好地提高镍铝合金高温强度的新型二阶段热处理方法。这是AI和材料研究人员合作开辟思路的一个优秀案例。相关研究成果已发表在《Scientific Reports》上。
AI和材料研究人员合作设计的新型二阶段热处理方法（供图：物质材料研究机构（NIMS））
镍铝合金由镍和铝随机排列的γ相和规则排列的γ'相（析出相）构成。为了提高高温强度，就必须将γ'相的尺寸和体积率控制在适当的数值上。γ'相的尺寸和体积率取决于热处理条件，但由温度和保温时间组合形成的热处理模式数量庞大。例如，将总时间分为10等分，温度设置为9级，则热处理模式的数量约为35亿（9的10次方）。
此次研究团队使用了一种名为蒙特卡罗树搜索的AI算法，从大量组合中高效地搜索出最佳模式。热处理模式随着时间的推移选项会出现分支，各自带来不同的结果，因此研究人员采用了在将棋和围棋等棋盘游戏中为了搜索有希望的棋步而使用的蒙特卡罗树搜索。
对AI提案的模式进行数值计算求出高温强度，将结果反馈给AI并运用到下一次提案中，如此反复试错1620次，结果找到了110个优于传统热处理的模式。所发现的模式是升温和降温相结合的复杂组合，是人类从未想到的模式。
专家分析了AI发现的模式为何优秀的原因，发现优秀的模式具有共同的特征。首先，在高温下使γ'迅速增长，在超过适当尺寸（约41纳米）之前降温，创造阻止它进一步生长的条件。之后，通过长时间维持低温范围，在尽可能抑制其生长以不超过适当尺寸的同时，使体积率缓慢增加，以提高高温强度。γ'在能加速原子扩散的高温中生长更快。另外，γ'在热力学上温度越低越稳定，温度越低体积率越会增加。AI发现的模式，在无需提前学习的情况下充分利用了这些特征。
也就是说，研究人员认识到将高温短时间与低温长时间结合在一起是关键，不一定需要反复小幅度地升温和降温。由此，设计出了一种将高温短时间和低温长时间这两种等温处理相结合的二阶段热处理方法。基于这一思路，研究人员对第二阶段低温长时间下的温度进行了最优化，设计出了超越AI发现的最佳模式的热处理模式。
此次设计的二阶段热处理方法基于前所未有的思路，通过专家对AI的发现进行分析而初次实现了构想。在将棋和围棋中，职业棋手会深入考察AI的棋谱从而产生新的战术。在材料领域，AI和专家的合作此次也被证明能产生新的思路。
镍铝合金是实用耐热材料镍基高温合金的代表性合金。今后，通过将该技术应用于更实用的合金系统，找到有助于提高燃气轮机燃油经济性的工艺改进方法，旨在为实现低碳社会作出贡献。
原文：《科学新闻》
翻译：JST客观日本编辑部
【论文信息】
杂志：Scientific Reports
论文：Artificial Intelligence Inspired Design of Non-Isothermal Aging for γ - γ' Two- phase Ni-Al Alloys
DOI：10.1038/s41598-023-39589-2
