Die Strategie besteht aus sechs Schritten, wie in Abbildung 2 dargestellt. Der erste Schritt besteht aus der Datenerfassung, bei der insgesamt 179 Superlegierungen gemessen wurden. Diese Daten umfassen 106 Co-Basis-, 42 Co-Ni-Basis- und 31 Ni-Basis-Zusammensetzungen. Jede Legierung wird anhand von 64 Merkmalen beschrieben, darunter auch solche, die sich auf den Atomradius und die thermische Dynamik beziehen. Anhand von Korrelationsanalysen und Machine-Learning-Algorithmen wurden die informativsten Merkmale und der optimale Algorithmus für die Eigenschaft \({T}_{{\gamma }^{{\prime} }}\) ausgewählt. Basierend auf interpretierbarer Analyse wurde der Suchraum eingeschränkt, um unerforschte Legierungen zu generieren, die die optimale Eigenschaft aufweisen.
Als nächstes wurden Legierungen anhand eines Klassifikationsmodells gescreent, um Legierungen mit der \({\gamma }^{{\prime} }\)-Phase zu identifizieren. Durch unüberwachtes Lernen wurden Cluster gebildet, die Legierungen mit hohen vorhergesagten \({T}_{{\gamma }^{{\prime} }}\) und großer Distanz zu den Trainingsdaten enthalten. Anhand von Ähnlichkeitsbewertungen wurden Kandidaten für Experimente ausgewählt. Diese Kandidaten wurden synthetisiert und charakterisiert, um ihre \({T}_{{\gamma }^{{\prime} }}\) zu messen. Features wie Volume Deviation, Mixing Enthalpy, thermischer Ausdehnungskoeffizient und Neutronenquerschnittsunstimmigkeiten waren an der Leistung des Modells für \({T}_{{\gamma }^{{\prime} }}\) beteiligt.
Die Analyse zeigte, dass Legierungen mit hohem \({T}_{{\gamma }^{{\prime} }}\) sowohl große Volumenabweichungen als auch niedrige Mischenthalpien aufweisen. Durch quantitative Analyse der Zusammensetzung konnten vielversprechende Legierungen ausgewählt werden. Diese Legierungen wiesen eine starke Abweichung in der Elementenzusammensetzung von den anderen Legierungen auf. Die experimentelle Validierung der ausgewählten neuen Superlegierungen zeigte, dass die Vorhersagen des ML-Modells robust waren und die Legierungen eine verbesserte \({T}_{{\gamma }^{{\prime} }}\) aufwiesen. Insgesamt führte die Kombination aus maschinellem Lernen und interpretierbarer Analyse zu erfolgreichen Ergebnissen in der Entdeckung neuer Hochleistungslegierungen.