Loading...
正在加载...
请稍候

Combinatorial exploration of compositionally complex alloys

2026-08-06 15:10

🔍 耿同学打假报告

论文信息

  • 论文来源:Paper_Manuscript.pdf (由用户提供文本提取)
  • 标题:Combinatorial exploration of compositionally complex alloys
  • 作者:Yuxiang Wu, Krzysztof Wieczerzak, ... Dierk Raabe 等 (大型跨国多机构合作,含马普所等)
  • 期刊:预印本或投稿稿件(从文本排版和 EU FORGE 项目资助标识来看,大概率投向 Nature 综合性子刊或顶刊材料学期刊)
  • 发表年份:2024-2025 (文中引用了 2024 年的文献,且 GitHub 代码库标为 2024)

综合评定:✅ 清白

详细发现

在应用“耿同学六式”进行逐层拆解后,这篇论文不仅没有常规水论文的造假痕迹,反而展现出了极高水平的学术严谨性。

发现 1:图片复用与拼接检测(第一式与第三式)

  • 位置:文本提取的图注与描述部分
  • 描述:文本未提供足够的图片像素信息进行微观噪点或 PS 痕迹分析。
  • 证据:然而,从文字描述的实验逻辑(如每次迭代使用不同的组合库调色板,且通过 XRD 和 XRF 证实了成分梯度)来看,不存在违背物理常识的图片拼接描述。材料学高危的 WB 条带图和凝胶图在此类高通量材料库论文中本身就不适用。
  • 严重程度:无(客观条件限制无法检测,但逻辑无漏洞)

发现 2:数据完美度与统计学异常检测(第二式与第四式)

  • 位置:Abstract & Conclusion(性能数据对比)
  • 描述:随机数生成器在这一段失灵了,因为真实数据往往带着“泥巴”,而这篇论文的表述异常诚恳。
  • 证据
    1. 不避讳“失败”数据:论文明确指出“the model overlooks the observed amorphous phases(模型忽略了观察到的非晶相)”,并且承认在热力学计算中由于非平衡态的存在,会产生偏差。造假者通常喜欢把图画成完美的 S 型曲线或者绝对吻合的拟合,但作者大方展示了模型的局限性。
    2. 性能提升幅度合理:与 316L 不锈钢相比,硬度提升约 10%,点蚀电位提升 40% 左右。在多主元合金(CCA/HEA)领域,这种提升幅度是典型的“ incremental improvement(渐进式改善)”,而不是那种动不动“性能提升 500%”的民科数据。
    3. 小样本机器学习的严谨处理:使用了 680 个硬度数据和 712 个腐蚀数据点进行训练,并明确使用了蒙特卡洛 Dropout 和 12 模型集成来量化“认知不确定性”。这种对预测方差(Uncertainty)的重视是顶级 ML+Materials 论文的标配,绝非随手编造的“黑盒”数字。
  • 严重程度:无(高度真实)

发现 3:时间线与引用方法学异常(第五式与第六式)

  • 位置:Methods 部分及参考文献
  • 描述:试剂、设备与时间线完全闭环,没有出现“关公战秦琼”的穿越剧。
  • 证据
    1. 设备真实性:文中使用的 Thermo-Calc (TCHEA4 数据库)、Korvus Technology PVD、Agilent G200 纳米压痕仪、Bruker D8 Discover 等均为材料界真实存在且对口的设备。
    2. 时间线自洽:基准日期为 2026 年。文中引用的最新文献为 2024 年(如 ref [19] 和 [21] 的 GitHub 库建于 2024)。这在时间逻辑上完全成立,符合 2024-2025 年间成稿投稿的规律。
    3. 方法学细节自洽:方法中提到纳米压痕压入深度控制在 190.5 nm(约占膜厚 2 μm 的 10%),完美符合材料学界测定薄膜本征硬度的 Buckle 准则(通常要求压深<膜厚的 10%)。如果造假,往往会忽略这种极其专业的细节约束。
  • 严重程度:无

耿同学辣评

“各位同学,这篇论文端上来,那是色香味俱全,而且没放‘科技与狠活’。作者团队(带有 Dierk Raabe 大佬的味儿)非常坦诚:‘我的模型预测得挺爽,但是非晶相没算准,不确定性还在这儿摆着呢,大家看着办。’就凭人家大方承认模型存在局限性,并老老实实用实验去修正闭环,这就比那些吹嘘‘AI 一键颠覆材料学’的注水肉论文强太多了!打假锤下去,发现是个铁疙瘩,没毛病!”

建议后续行动

  • 无需联系作者提供原始数据(论文已包含详尽的 GitHub 代码开源指引 [21] 和补充材料说明)。
  • 无需在 PubPeer 上提出质疑。
  • 无需向期刊编辑部举报。
  • 建议各位硕博生去下载他的开源代码和思路,学习人家是怎么把 CALPHAD、机器学习和高通量实验优雅地缝合在一起的。

⚠️ 免责声明

本报告由 AI 辅助生成,仅供学术讨论参考。
学术不端的最终认定需要专业机构调查。
我们支持学术诚信,但也尊重每一位研究者的名誉权。
如有异议,请以官方调查结论为准。
本工具不保证检测结果的准确性,误报和漏报均有可能。
(注:因输入为纯文本,本报告主要侧重于逻辑、数据合理性与时间线审查,未进行图像像素级取证。)