美國麻省理工學院(MIT)設計了一種利用機器學習技術定量預測合金固溶體狀態下局部原子規則排列「短程有序(Short-range Order; SRO)」的方法。此項方法係對於亦存在於合金的固溶體狀態下，表現出特定成分相互接近傾向的SRO，透過機器學習將基於組成元素之電子結構計算獲得的化學鍵狀態與數十億個有序原子排列「化學結構組元(Chemical Motif)」資料庫之關聯進行合金SRO識別的系統。研究團隊表示此項技術可望應用做為促進多種主要元素類型之高熵合金的機械、熱力學分析工具。
MIT指出，合金中尤其是固溶體合金的成分元素分佈通常被認為是隨機排列的，但實際上「合金 成分原子具有非常接近於特定其他類型成分原子的傾向」，意即成分元素的分佈並非完全隨機，而是存在局部有序的原子排列SRO。然而，由於較難以透過實驗掌握SRO，且有各種類型的化學結構組元可以假設為原子規則排列，從理論上定量預測SRO並非易事。因此，迄今為止，SRO在材料科學中尚未獲得詳細的探索。
另一方面，擁有多種主要元素的高熵合金做為一種新的金屬類別而受到矚目，為了設計具有高強度、高耐腐蝕性等高性能的高熵合金，將有解析SRO之必要。識別、特定出SRO的傳統方法是透過基於限制原子數量的小型計算模型進行模擬，但少量原子不足以進行模擬，對於高熵合金等複雜材料類僅能提供不完全的內容。
為了克服傳統方法的缺點，研究團隊認為須採用使用足夠原子數量之高階計算模型，因此將焦點放在機器學習。首先，MIT建構了一個依據組成原子的電子結構重現高熵合金化學鍵態的模型。接著對於資料庫中數十億個化學結構組元(Chemical Motifs)因出現了回轉對稱、鏡像對稱、反轉對稱的等價結構組元而難以透過模擬進行預測的問題，透過利用處理具有此類對稱性之3D Euclid群的神經網路「e3nn(3D Euclidean neural networks)」，成功地進行了識別。最終對於具有未知SRO的合金，創建了一個透過機器學習將化學鍵狀態與化學結構組元資料庫賦予關聯而可識別、定量預測SRO的框架。
透過這一連串的努力，MIT實現了與局部晶格畸變等實驗測量數值整合之SRO預測。研究團隊也計劃利用美國能源部INCITE計畫中世界上最快的超級電腦Frontier進行開發框架的測試，將可望推動有別於一般合金、金屬間化合物、非晶合金等新型高熵合金的研究。