🔍 耿同学打假报告

论文信息

• 论文来源：Paper_Manuscript.pdf
• 标题：Combinatorial exploration of compositionally complex alloys
• 作者：Yuxiang Wu, Krzysztof Wieczerzak, Dierk Raabe 等 (共27位作者)
• 期刊：预印本/未标明（作者 affiliation 包含马普所、Empa 等，含欧盟 Horizon 2020 资助，疑似投向顶刊）
• DOI：未提供
• 发表年份：文本引用最新文献为 2024 年，推测为 2024-2025 年撰写

综合评定：🟡 存疑

详细发现

发现 1：核心高通量计算数据存在严重的前后矛盾（数学逻辑崩盘）

• 位置：Methods 部分
• 描述：这篇论文的核心卖点是“高通量组合计算”，因此算对数是基本功。但在描述体系组合时，文中出现了严重的数据打架。
• 证据：
  • 在正文第 4 页，作者写道：“总共 6,600 个 palettes...总共有 455,400 种合金被评估”。数学验算：\(6,600 \times 69 = 455,400\)。这里逻辑完美自洽。
  • 然而，到了 Methods 部分，作者却写道：“Across 55 quinary families... this enumeration yields 55,600 palettes; with 69 patches per palette, the workflow spans 6,600,400 alloys”。数学验算：\(55 \times 120 = 6,600\)（不是 55,600）；\(6,600 \times 69 = 455,400\)（不是 660 万）。
• 严重程度：🟠 高度可疑（如果是写论文凑字数或改数据时忘了改全，属于严重低级失误；如果是虚构计算量，则涉及学术不端。在顶刊中，这种数学不自洽是致命的）

发现 2：图片复用/拼接检测（PS痕迹）

• 位置：Figure 1 及 Extended Data Fig 1 附近
• 描述：受限于纯文本分析，我无法直接看到像素级图片。但从文中描述来看，Figure 1 和 Extended Data Fig 1 的图文排版存在大量重复的占位符（如反复出现 "This project has received funding..." 和 "0102030405060..." 的坐标轴文本堆叠），这在 PDF 提取中常见，但需警惕作者是否直接复制粘贴了相同的 Wafer 图版块充当不同条件（如不同退火时间或成分梯度）的结果。
• 证据：文本中 Extended Data Fig 1 的位置出现了长达十几行的纯数字和坐标轴数值，极度混乱。
• 严重程度：🟡 存疑（需视觉原图验证）

发现 3：小样本机器学习的“神级”预测

• 位置：Multi-task learning with uncertainty quantification 等段落
• 描述：作者声称使用了一个多任务学习的神经网络，同时预测 Vickers 硬度和点蚀电位。他们声称模型的 \(R^2\) 达到了约 0.93。
• 证据：训练集极小（硬度数据 N=680，腐蚀数据 N=712）。在材料科学中，数据来源不同实验室、不同测试条件（如文中提到腐蚀受 pH、扫描速率影响），数据噪声极大。用几百个带有大量物理工程噪声的数据点，去训练一个带有物理特征工程的神经网络，并在外推区域（论文明确承认进入了文献训练集的 Mahalanobis 距离外推区）做到 \(R^2 > 0.9\)，这非常“教科书式完美”，甚至完美到有点不真实。
• 严重程度：🟡 存疑（建议要求作者开源代码和训练集/测试集划分脚本，检查是否存在 Data Leakage 数据泄露）

耿同学辣评

这篇汇集了欧洲各大顶校和马普所大佬的 27 人“全明星阵容”论文，用最前沿的 AI 算法搞出了最高大上的组合材料学，结果倒在小学二年级的乘法口诀上——正文算 45 万，方法部分算成 660 万！好家伙，就算大模型随机生成文本，好歹逻辑也能自洽啊！这种“微小”的计算量误差，不会是写本子骗经费时多按了一个 0 忘了删吧？建议导师范儿十足的通讯作者（Raabe 大佬）好好查查手底下的研究生是不是用脚趾头敲的键盘！

建议后续行动

• 联系作者要求提供原始数据（尤其是解释为什么 Methods 中的计算量多了一个数量级）。
• 要求作者开源 Multi-task learning 的代码和原始 dataset（重点核查 \(R^2=0.93\) 是否存在测试集污染）。
• 仔细比对正文与补充材料（SI）中的 XRD 图和显微镜图，确认是否存在为了凑齐 69 个 patch 而复用图片的情况。
• 如证实存在系统性夸大计算量/实验量，在 PubPeer 上提出公开质疑。

⚠️ 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。