根據應用環境需求，定制合金材料的成分及工藝，突破“試錯法”高成本、低效率的材料設計瓶頸，是材料科學家的終極夢想。近20年來，合金成分由單主元傳統合金發展到多主元高熵合金，極大拓展了合金的成分空間。

如何從近乎無限的成分空間中高效篩選出具有特定性能的合金成分，是材料研究者所面臨的巨大挑戰。近年來，機器學習在材料的成分篩選和性能優化中的應用發展迅速。中國科學院金屬研究所胡青苗研究員和楊銳研究員應Science期刊邀請，發表了題為《對更好合金的無盡尋索》的述評文章，對利用機器學習進行材料篩選的研究現狀進行了評論和展望。該述評文章于10月6日在線發表(Vol. 378, Issue 6615, pp. 26-27. )。 

機器學習方法一般利用人工神經網絡，對現有成分-性能數據進行訓練，快速獲得成分–性能關系，進而篩選出具有目標性能的成分。機器學習的效率和精度依賴于用于訓練的成分–性能數據集。

相對于近乎無限的成分空間，已有的成分–性能數據往往相當稀少。因此，對機器學習算法進行適當優化和策略設計尤為重要。目前，機器學習方法在因瓦高熵合金、鐵電材料、壓電材料等的成分篩選中都有了較為成功的應用范例。

特別是德國馬普學會鋼鐵研究所Dierk Raabe課題組在最近一期Science上發表的研究工作，結合機器學習、第一性原理及熱力學計算和實驗驗證，高效地從百萬種可能成分組合中篩選出17種Fe-Co-Cr-Ni及Fe-Co-Cr-Ni-Cu因瓦高熵合金。

述評文章指出，機器學習方法目前大多應用于功能材料的篩選。原因是這類材料的目標性能主要決定于材料成分，對顯微組織并不敏感。然而，結構材料的力學性能如強度、韌塑性等不僅受成分影響，且具有高度的顯微組織敏感性，而顯微組織又決定于合金成分及制備工藝，這使得結構材料力學性能的影響因素錯綜復雜。

另一方面，實際應用中，往往同時對結構材料的多種性能有一定要求。這些因素大大增加了機器學習在結構材料設計中應用的難度。 文章最后總結，隨著機器學習算法的發展、實驗數據的積累以及對成分–工藝–組織–性能關系機理理解的深化，有望實現面向指定性能需求的定制化材料成分及工藝優化設計。