合金设计过程一般包括稳定结构确定和性质计算。合金一般为多相结构(如V-Zr)，包括固溶体相（富V固溶体，富Zr固溶体）和化合物相(V2Zr)。材料计算主要围绕固溶体相、化合物相等主要合金相开展。对于化合物相而言，其晶体结构一般为确定的有序结构，建模和计算比较容易开展。对固溶体相，其晶体结构一般为无序的，无法通过常规的实验等手段明晰，必须通过一些算法或模型找到可能存在的一个或多个稳定结构。　　材料基因组计划的核心理念在于通过计算、实验和数据相结合的方法，变革传统的基于实验试错法导致研发周期长，成本高的材料研发模式，加快新材料的研发进程。二元合金无序相/无序合金的理论设计，整个流程涉及晶体结构建模、稳定晶体结构筛选、性能预测等关键环节。针对合金无序相的晶体结构建模和计算的复杂性和多样性，迫切需要对业界已有通用的方法，如枚举出无序合金体系中所有的原子占位（也称为遍历法建模）、特殊准随机结构方法(Special Quasirandom Structures，SQS)等实现高通量集成，方便有效地进行自动流程的建模和高通量计算。　　利用集成的高通量材料计算方法可以实现稳定结构的筛选。由于无序合金往往较难确定其稳定结构，业界存在的一些通过计算来确定无序相稳定结构的建模方法需要大量计算资源，导致计算成本高。鉴于SQS方法进行二元合金建模的复杂性，本文将预定义的SQS模板集成到高通量材料计算平台中，设计了图形化的SQS建模界面，实现合金建模和高通量第一性原理计算的简易自动流程。由于用经验方法寻找稳定结构并未考虑所有的原子占位，易造成遗漏。本文采用遍历法建模产生所有的原子占位，基于团簇展开方法研发了基于形成能的结构筛选工具，对遍历建模产生的大量初始结构进行筛选，筛选出形成能较低的合理晶体结构。对合理晶体结构实施自动化高通量流程计算，确定一个或几个最终的结构。　　采用第一性原理计算直接预测材料的物理化学性质是目前材料设计研究的常用做法，但第一性原理计算耗时较长，且由于引入了经验假设或计算参数设置不合理存在一定误差。本文用机器学习方法预测第一性原理计算结果误差，并在此基础上，推荐出适合所计算体系的误差最低的最优化计算参数，并对第一性原理计算结果进行纠正。本文以二元合金弹性常数计算为例，采用神经网络方法建立二元合金弹性常数第一性原理计算误差估计模型，神经网络参数的学习利用BP算法和粒子群优化的混合学习方法进行训练。经实验验证，证明了机器学习方法可有效实现对二元合金弹性常第一性原理计算误差的估计，同时相比较于支持向量回归算法和单纯用BP算法训练神经网络，本文提出的基于混合学习方法的神经网络方法能够更有效地实现误差预测，预测的弹性常数的第一性原理计算误差准确率达到88％左右。同时，基于以上研究，采用机器学习方法建立二元合金弹性常数纠正模型和预测模型。实验表明，该模型对弹性常数的纠正力度在10GPa左右，直接预测的弹性常数的误差约为15GPa。　　本文的主要创新点在于将高通量计算方法用于合金无序相稳定结构的快速确定，以及采用数据方法实现对合金性质的快速预测。从测试案例可看出，本文研发的高通量结构筛选工具将331个Fe-Al合金稳定结构的筛选所需的第一性原理计算时间由原来的496.5小时降低到171小时，缩短时间的同时也减少了第一性原理计算所需的资源消耗;数据方法一旦建立好弹性常数第一性原理计算误差估计模型和弹性常数预测模型，可以直接用于为二元合金弹性常数计算推荐计算参数，直接预测二元合金的弹性常数，从而减少预测弹性常数所需的第一性原理计算次数。本文所研究的方法可拓展应用于合金其他性质的预测中。