HEA-LLM：面向高熵合金材料设计的智能平台

网址链接：

https://hea-llm.com

高熵合金具有成分空间大、组织结构复杂、性能调控因素多等特点。随着相关研究文献和实验数据不断增加，如何快速获取有效知识、评估候选成分性能，并从大量成分组合中筛选潜在合金方案，成为高熵合金材料设计中的重要问题。

为提升高熵合金研发效率，我们构建了 HEA-LLM 高熵合金材料智能设计平台。该平台结合文献检索、检索增强生成技术、大语言模型和机器学习预测模型，面向高熵合金材料研发过程中的知识查询、性能预测和候选成分筛选需求，提供一体化智能辅助功能。

图1 HEA-LLM 高熵合金材料智能设计平台首页

一、平台建设背景

传统高熵合金设计通常依赖人工文献调研、经验判断和实验试错。研究人员需要从大量论文中查找合金体系、元素作用、制备工艺、相结构和力学性能等信息，同时还要对不同成分组合进行性能评估。

然而，高熵合金涉及多主元成分设计，不同元素含量、相结构和物理特征之间存在复杂关系，单纯依靠人工筛选效率较低。HEA-LLM 平台的建设目标，就是将文献知识、材料特征计算和机器学习模型结合起来，为高熵合金设计提供更加高效的辅助工具。

二、核心功能

目前，HEA-LLM 平台主要包括以下功能模块：

· 高熵合金文献检索；

· RAG 智能问答；

· 硬度 HV 预测；

· 屈服强度 YS 预测；

· 相结构预测；

· 目标导向反向设计；

平台通过前端网页接收用户输入，后端调用文献检索模块、特征计算模块、机器学习模型和大语言模型，实现从材料知识查询到候选合金筛选的辅助设计流程。

图2平台整体技术框架

三、文献检索与 RAG 智能问答

平台构建了面向高熵合金领域的文献检索与 RAG 智能问答模块。用户可以围绕合金体系、元素作用、制备方法、相结构、力学性能和强化机制等问题进行检索和提问。

例如，用户可以查询：

· Al 元素对 CoCrFeNi 高熵合金有什么影响？

· BCC 相与高熵合金硬度之间有什么关系？

· 高熵合金强度提升的主要机制有哪些？

系统会先从本地高熵合金文献库中检索相关内容，再由大语言模型基于检索结果生成回答。相比普通问答方式，该模块能够更好地结合文献依据，降低模型凭空生成内容的风险。

图3高熵合金材料智能设计平台的 RAG 知识检索与问答流程示意图

图4 HEA-LLM 平台 RAG 智能问答示例。系统针对用户提出的高熵合金问题，从本地文献库中检索相关论文依据，并结合文献内容生成回答，右侧同步展示相关文献、DOI、关键词和原文片段，便于结果溯源。

四、性能与相结构综合预测功能

平台支持用户输入高熵合金成分，并自动计算相关物理描述符，如原子尺寸差异、混合焓、混合熵、平均熔点、价电子浓度等。在此基础上，系统调用机器学习模型对候选合金的硬度 HV、屈服强度 YS 及相结构类型进行预测。

其中，硬度预测功能可用于快速判断候选合金的硬度潜力；屈服强度预测功能用于评估其力学承载能力；相结构预测功能则可判断候选合金可能形成的相类型，如 FCC、BCC、FCC+BCC 或其他复杂相结构。通过将性能预测与相结构预测相结合，平台能够从力学性能和相稳定性两个方面对候选合金进行综合评价，为实验前的成分筛选、方案优化和实验验证提供参考，从而帮助研究人员缩小实验范围，提高材料设计效率。

图5 力学性能预测示例

五、目标导向反向设计

除了正向性能预测，平台还提供目标导向反向设计功能。用户可以根据研究需求设置目标硬度、目标屈服强度、元素体系、成分范围、相结构要求和物理约束条件，系统会在候选成分空间中筛选满足要求的合金方案。

反向设计模块可以输出推荐成分、预测硬度、预测屈服强度、预测相结构及相关物理参数，为后续实验验证提供候选方案。该功能并不是替代实验，而是通过数据驱动方法提高实验设计的针对性。

六、平台意义

HEA-LLM 平台围绕高熵合金研发中的关键环节，将文献知识检索、材料特征计算、机器学习预测和网页交互集成到统一平台中。

其主要意义在于：

· 提高高熵合金文献检索和知识获取效率；

· 快速预测候选合金的硬度、屈服强度和相结构；

· 支持根据目标性能筛选潜在合金成分；

· 为后续实验设计提供数据驱动参考。

对于高熵合金这类成分空间庞大、实验筛选成本较高的材料体系，该平台可以作为实验前的辅助分析工具，帮助研究人员更高效地开展材料设计。

七、致谢

相应工作主要得益于国家自然科学基金在高熵合金领域研究的持续项目支持（52575434、52261135544、51975419），以及团队师生20余人次自2020年至今在机器学习、深度学习、大模型和智能体等方面的持续工作和良好传承。

八、欢迎交流合作

团队持续探索人工智能技术在科研与行业场景中的深度落地。我们致力于将 AI 技术与具体科研任务、专业知识体系和实际业务流程相结合，通过知识库、专业模型和智能体调用机制的协同，在材料设计、文献分析、数据处理、报告生成和流程自动化等场景中切实提升工作效率。也与企业合作陆续完成了多个领域的落地，人工智能的落地应用离不开全行业的通力合作和相互支持，欢迎对 AI 科研工具、专业知识库、RAG 问答系统、知识图谱和智能体设计感兴趣的企业单位与我们进行合作，交流。可围绕具体需求，开展智能体方案设计、领域知识库建设、专业问答平台搭建、机器学习模型集成和智能化应用开发等合作。

                                                                      图6 开发该模型背后建立的知识图谱截图

支持单位：