德克萨斯农工大学研究团队在《Acta Materialia》发表创新成果，通过人工智能与高通量实验相结合的方法，成功优化了高温形状记忆合金的研发流程。这项由Ibrahim Karaman教授和Raymundo Arroyave教授领导的研究，为降低高性能合金研发成本提供了新思路。

传统高温形状记忆合金依赖昂贵元素且研发周期长。研究团队采用"批量贝叶斯优化"框架，将机器学习算法与实验数据相结合，实现了材料性能的智能预测。Karaman教授表示："我们证明了通过数据驱动的方法可以更高效地设计优质高温合金，而不必依赖昂贵的试错过程。"

该技术的突破性体现在多个方面：首先利用AI预测大幅减少了实验次数;其次通过迭代优化持续改进预测模型;此外还能实现特定功能合金的定制化设计。研究团队目前专注于铜-铪合金系统的优化，重点提升其形状记忆效应和转变温度。参与研究的博士生Sina Hossein Zadeh指出，先进计算工具不仅加速了发现过程，更从根本上改变了材料研发模式。

这项成果为航空航天、机器人等领域的智能材料应用带来新可能。更轻量高效的形状记忆合金将有助于提升飞行器性能，同时降低能源消耗，推动相关产业的技术升级。未来研究将拓展至更多元素体系，并着重预测转变应变等关键性能指标，以满足实际应用需求。

更多信息： J. Broucek 等人，基于贝叶斯优化设计具有最小热滞后的高温 NiTiCuHf 形状记忆合金，Acta Materialia (2024)。期刊信息： 材料学报