（问题）先进材料是航空发动机、耐高温耐腐蚀部件以及新一代能源与电子器件的重要基础。近年来，高熵合金因具备高强度、高稳定性和良好耐久性，被认为是颇具潜力的合金体系之一。但高熵合金通常由五种及以上元素以近等原子比例构成，可能的元素组合呈指数级增长，使得“从海量配方中找到少数可用材料”成本高、周期长，成为制约工程化落地的关键难题。 （原因）业内长期主要依靠两条路径：一是通过实验与计算积累数据，二是用数据训练预测模型辅助筛选。然而，传统数据驱动方法更擅长对“与已知样本相近”的材料做插值预测，一旦进入真正陌生、样本稀缺的组成空间，可靠性就容易下降。此外，元素合金中如何相互作用、在什么条件下可以相互替代等经验与理论，分散在冶金学、固体物理等不同学科的论文与报告中，缺少可被系统调用的整合方式，导致“知识在文献里、模型在数据里、决策在两者之间脱节”的困境。 （影响）这个矛盾带来两上后果：其一，研究人员往往需要投入大量试错才能确认可行路线，研发资源被不确定性消耗；其二，模型常给出单一预测值，却缺少对可信程度的明确说明，筛选容易过度集中“已被研究过的区域”，而对潜在高价值但尚未探索的区域缺乏系统触达。随着对高性能、长寿命材料需求持续上升，建立一种能在未知领域更稳定工作、并能给出可解释风险提示的发现方法，已成为加速材料研发的重要方向。 （对策）据介绍，日本先进科学技术研究所一支由Hieu-Chi Dam教授牵头的团队提出一种面向高熵合金的混合式发现框架。其核心思路是将材料数据与从文献中抽取的专家判断纳入同一决策流程，并用“可量化的不确定性”来指导候选材料筛选。研究将合金设计中常用的“元素替代”理念作为知识桥梁：在一定条件下，化学性质相近的元素可以相互替代，而不显著改变材料性能与稳定性。团队一上从材料数据集中寻找仅相差一个元素但性能相近的合金对，以归纳可替代关系；另一方面从多个科学领域的论文中提炼关于替代与相互作用的判断，形成来自不同来源的“证据流”。随后，研究采用Dempster-Shafer证据理论对多源证据进行合成，在评估候选合金可行性的同时，给出置信度与不确定性描述：既指向更有把握的候选方向，也标记出知识不足、需要更实验或计算验证的区域。 （前景）业内人士认为，这一思路的价值不只是“更快给出答案”，更在于将“答案的把握程度”一并交付给研发决策，帮助团队在资源有限的情况下更合理地安排验证顺序与投入力度。未来，随着高质量材料数据库持续扩充、计算模拟能力增强以及跨学科知识结构化水平提升，类似的知识—数据融合框架有望扩展到耐高温合金、耐蚀材料与功能材料等更广泛领域，并在面向真实工业约束优化问题中发挥更大作用。同时，如何保证文献知识提取的可追溯与一致、如何在不同实验条件与表征标准之间建立可比关系，仍是这类方法走向工程应用需要解决的关键问题。
当材料科学遇见智能计算，材料研发正从以经验为主转向以知识与数据协同驱动。这项进展提示我们：面对复杂系统问题，打通学科边界、构建更紧密的人机协作研究体系，可能是提升探索效率的重要路径。随着更多领域引入类似的融合方法，科研效率与创新产出有望深入提升。