近日，谢建新院士团队提出一种基于博弈论和运筹学理论的解释性机器学习新方法，实现合金元素的替代设计。该策略成功应用于降低C70350合金中稀缺金属元素Co的含量，同时保持了合金的高强度、高导电率等性能。相关成果以“Empowering the Sustainable Development of High-End Alloys via Interpretive Machine Learning”发表在Advanced Materials上。

近几十年来，稀缺、昂贵和有害的元素被广泛应用于金属合金，以确保其优异的性能。然而，这些元素的使用不仅增加了成本，还限制了其绿色可持续发展。在保持合金材料的高使用性能的同时，以丰度、廉价、绿色元素替代稀缺、昂贵、有害元素，是提升金属材料可持续和绿色发展能力的重要途径，但这对合金成分优化设计是一种重大挑战。现有的机器学习建模方法主要是“黑箱”模型，难以满足合金成分选择设计，或针对合金中的稀缺、昂贵和有害元素进行替代设计。

本文提出一种用于合金元素替代设计的解释性机器学习新方法。结合元素特征量分析方法和基于博弈论的可解释性算法，通过建立关键合金因子对性能的显性影响规律，筛选出对性能提升优于被替代元素的候选元素，然后采用基于运筹学的灵敏度分析方法，从候选元素中快速优化合金元素的含量。基于该策略，设计了超低Co含量的Cu-1.95Ni-0.5Co-0.6Si-0.2Mg-0.1Cr合金，成功实现了在保持C70350合金高性能的同时，将稀缺金属元素Co含量由1.4wt%降低到0.5wt%，最大下降幅度达64%。这项工作为减少金属合金中稀缺、昂贵和有害元素的用量，实现金属材料可持续和绿色发展提供了新的途径。