DOI: 10.3389/fmats.2020.00290
高熵合金（HEAs）是一类由五种或更多元素以近等摩尔比或高浓度混合组成的合金，因其高混合熵（configurational entropy）而具有独特的微观结构和性能。
传统合金通常以一种或两种主要元素为主，而高熵合金通过多组元设计，显著增加混合熵（ΔS_mix ≥ 1.5R，R为气体常数），从而稳定单一相（如FCC或BCC结构）或复杂多相结构。HEAs因其优异的力学性能（如高强度、韧性）、耐腐蚀性和高温稳定性，在航空航天、能源和生物医学领域具有广泛应用潜力。
理论计算在高熵合金研究中扮演关键角色，用于预测合金的相形成、力学性能和热力学行为。以下介绍主要计算方法及其在HEAs中的应用。
1、第一性原理计算（DFT）
DOI: 10.1038/s41467-023-38111-6
第一性原理基于量子力学，利用密度泛函理论（DFT）计算HEAs的电子结构、结合能和缺陷形成能。其核心优势是无需经验参数，直接从电子层面预测原子间相互作用和合金稳定性。例如，DFT可计算HEAs的晶格常数、弹性模量和堆垛层错能，揭示FCC或BCC相的形成机制。在CoCrFeNiMn高熵合金中，DFT研究表明短程有序（SRO）对力学性能有显著影响。
2、分子动力学模拟（MD）
DOI: 10.1038/s43246-024-00487-3
分子动力学通过牛顿力学模拟原子运动，研究HEAs的动态行为，如扩散、塑性变形和热膨胀。MD依赖于力场（如嵌入原子法，EAM）描述原子间相互作用，适合大尺度体系模拟（10^3–10^6原子）。
在HEAs中，MD常用于研究位错运动、晶界行为和高温蠕变。例如，MD模拟揭示了AlCoCrFeNi合金中BCC相的高强度源于晶格畸变和多组元协同效应。
3、机器学习与多尺度建模
DOI: 10.1016/j.actamat.2019.03.012
机器学习（ML）通过数据驱动方法，优化HEAs的理论计算效率和精度。例如，ML力场可替代传统DFT或MD中的高成本计算，快速预测HEAs的力学性能和热力学性质。多尺度建模整合DFT和MD桥接从电子到宏观尺度的行为。
例如，经过训练的 ANN 模型在三种 ML 算法中表现最好，可用于预测新 HEAs的阶段，为 HEAs的计算设计提供了另一种途径，这也适用于加速发现用于现代工程应用的其他金属合金。
高熵合金因其高混合熵和多组元特性，展现出独特的热力学和力学性能，成为先进材料研究的热点。理论计算方法——第一性原理、分子动力学和机器学习——为HEAs的微观机制、相稳定性及性能优化提供了强大工具。
这些方法通过多尺度建模和数据驱动策略，显著提升了HEAs研究的精度和效率，在航空航天、能源材料和生物医学领域的创新应用中发挥了关键作用。随着计算能力和算法的进步，高熵合金的设计与开发将进一步加速，为高性能材料和智能制造提供新机遇。
【做计算 找华算】
🏅 华算科技提供专业的第一性原理、分子动力学、生物模拟、量子化学、机器学习、有限元仿真等代算服务。
🎯500+博士团队护航，累计助力5️⃣0️⃣0️⃣0️⃣0️⃣➕篇科研成果，计算数据已发表在Nature & Science正刊及大子刊、JACS、Angew、PNAS、AM系列等国际顶刊。 👏👏👏
