AlloyGPT問世！大語言AI模型設計增材制造合金成分

AM易道科研分享

AM易道最近注意到卡內基梅隆大學在Nature子刊npj Computational Materials發表的一篇論文，提出了一個叫AlloyGPT的AI模型。

這個模型的核心思路很簡單：

既然GPT能通過學習文本規律來生成連貫的句子，那能不能讓AI學習合金數據的規律，直接生成符合性能要求的3D打印合金材料的成分配方?

聽起來有點玄乎，但他們真的做出來了。

而且這個思路對增材制造特別有意義，因為3D打印恰恰能在體素級別調整成分，設計空間巨大，傳統的試錯方法玩不轉。

我們認為這篇文章很重要，一起來看看AI如何玩轉3D打印材料開發。

AM易道對于該文章的許多表述已脫離原文章的原始技術表述，有大量原創和解讀創作成分，如需要了解更多硬核技術內容，請自行閱讀原文。

把合金數據變成語句

AlloyGPT的第一步是把物理數據翻譯成AI能讀懂的語言(見圖1)。

團隊把鋁合金的成分、相結構、性能等信息，按照固定格式整理成文本序列。

比如一條典型的句子長這樣:

{Task:Pred001}={Composition:[(Al):+9.393e+01,(Ni):+2.901e+00,...]}
=>{Structure:[AsBuilt_L12Mol%:+6.205e+00,...]}
=>{Property:[DiffusionResistivity:+9.091e-01,...]}

這種表達方式有幾個好處：

信息密度高：一條記錄包含了成分、析出相比例、擴散阻力、凝固裂紋傾向等十幾個物理量；

第二結構靈活，可以輕松加入工藝參數(激光功率、掃描速度等)作為新的信息塊;

第三，方向可逆：正向預測時按"成分→結構→性能"排列，逆向設計時則倒過來寫成"性能→結構→成分"。

他們用這種方式把52萬組CALPHAD模擬數據轉成了94萬條句子(每組數據生成正反兩條)，作為訓練語料。

這個數據集覆蓋了Al-Ni-Er-Zr-Y-Yb系，專門針對激光增材制造的快速凝固條件。

模型結構:中等規模但夠用

AlloyGPT的架構借鑒了GPT-2，但做了定制化調整:

• 36層Transformer，每層16個注意力頭
• 4.5億參數，嵌入維度1024
• 256詞匯量的分詞器，給周期表所有元素保留了獨立token，數字則用單字符token表示

這個規模放在大語言模型里算是中等偏小，但對合金這種結構化數據來說已經夠用。

合金物理不像自然語言那么復雜多變，不需要上千億參數去記憶海量知識。

關鍵是數據質量和表達方式，而不是單純堆參數。

正向預測：喂得越多，算得越準

先看正向預測這塊兒。

當你只告訴模型合金成分，讓它猜性能的時候，準確度還不錯。

但如果你再多給點信息比如通過XRD測出了相結構，一并喂給模型，它的預測準確度會蹭蹭往上漲（2d里紅條比藍條明顯高出一截）。

這其實挺符合常識的：

成分決定了會析出什么相，相的分布又決定了最終性能。

你給模型的線索越多，它自然猜得越準。

這對實際工作有個啟發，假如你手頭已經做了部分表征實驗（比如掃了個XRD確認了相組成），不妨把這些數據也塞給模型，讓它幫你預測那些更費勁、更貴的力學性能測試結果。

逆向設計：一個目標，多條路徑

逆向設計才是AlloyGPT真正有意思的地方。

你直接告訴它想要什么性能（比如"熱裂敏感性低于0.3，擴散阻力大于0.8"），它就能給你吐出符合要求的配方。

圖3和圖4對比了兩種情況。

第一種是你把性能和相結構都告訴它（PS-to-C任務），模型基本能還原出測試集里的已知配方，R2能達到0.95以上。

第二種更絕，你只給性能目標（P-to-SC任務），模型給出的配方和測試集差異很大（R2只有0.5），但這些新配方的實際性能卻能達標（R2還是0.95以上）。

換句話說，模型沒有照抄答案，而是自己設計出了新配方。

圖4d里藍框圈出的那些點，都是模型生成的低開裂風險配方—這些在原始數據集里根本不存在。

傳統方法遇到這種多解問題會很頭疼。

要么用貝葉斯優化反復試探，可能要跑90輪才找到方案；要么搞多目標遺傳算法，也不輕松。

AlloyGPT因為是概率模型，天生就能捕捉多個可能的解。

同一個目標，你讓它生成幾次，就能拿到好幾套備選方案。

GPT在保守和激進之間調檔

圖6展示了一個關鍵控制手段—預測溫度（Tp）。這個參數本質上控制模型的創造力：

• Tp≤1

  生成的配方比較保守，靠近訓練數據，但性能達標率高

• 1

  配方多樣性明顯增加（成分變異系數能翻倍），但性能誤差也在上升

• Tp>2

  模型開始瞎說，生成的文本連語法規則都不符合了

實際用的時候，建議先用Tp=1左右跑幾輪，拿到穩妥的方案。

如果想探索更激進的配方，可以試試Tp=1.5，然后用CALPHAD模擬或者直接試驗來篩選。

這比盲目擴大成分范圍效率高多了。

模型的思考過程

論文團隊花了不少力氣研究這個AI到底是怎么判斷的，想搞清楚：

它真的理解合金物理，還是只是在瞎蒙？

圖7和8給出了一些線索。

你可以把模型想象成一個有36層樓的大腦，每層樓里有16個專家在同時工作。

當模型要預測L12相（一種重要的強化相）有多少時，不同的專家會關注不同的信息。

比如說，1號專家特別在意Zr（鋯）和Yb（鐿）這兩個元素的含量，10號專家則盯著Er（鉺）和Y（釔）（圖7b-c）。

有意思的是，這四個元素恰好都是能和鋁形成L12相的關鍵成分。這說明模型不是瞎猜的，它確實抓住了一些物理本質。

研究團隊還用了兩種方法來驗證這個判斷。第一種叫梯度法（下圖8a-c），判斷改動哪個數字，結果變化最大？

結果發現，預測L12相含量時，Er和Yb的權重最高—這和之前的實驗數據分析結果對得上。

第二種叫擾動法（下圖8e），相當于故意隱藏某個元素的信息，看模型的判斷會不會亂。結果發現Yb對凝固區間和開裂傾向影響最強。

但是，圖7也暴露了一個問題：36層樓、每層16個專家，總共576個腦袋同時在工作，它們的思考模式千差萬別。

最終的決策是這一大堆判斷綜合出來的結果，你很難說清楚到底哪個因素起了決定性作用。

神經網絡是這樣—它能給出準確答案，但要它解釋清楚推理過程，那就難了。

這也是為什么論文強調，對于模型給出的極端配方，最好還是要做實驗驗證。

畢竟它雖然學到了一些規律，但我們也不能完全確定它是不是還藏著什么我們不知道的歪理。

跑出訓練范圍會怎樣？

圖5測試了模型的外推能力。研究團隊故意把Yb、Zr、Er的含量上限擴大一倍，采樣了一些訓練集外的成分。

結果顯示，預測誤差隨著遠離訓練邊界的距離（dM）逐漸增大，但不是斷崖式崩潰，而是平穩退化。

在dM<0.5的薄層區域，模型表現還算靠譜。

這意味著如果你想在訓練數據附近微調配方，AlloyGPT是可以信任的。

但如果要跳到完全陌生的成分區間，還是老老實實重新訓練吧。

怎么用？實際建議
對3D打印從業者來說，我們覺得AlloyGPT可以這么用：
快速篩選可打印配方
設定約束條件（比如HCS<0.5抗開裂，擴散阻力>0.9高溫穩定），讓模型生成20個候選，用CALPHAD復核一遍，挑2到3個粉試打。
比傳統試驗設計省時間。

梯度結構設計

增材制造可以逐層改變成分，但每一層都要滿足局部約束（比如界面處要低裂紋敏感，承力區要高強度）。

工藝窗口預判

雖然當前版本只覆蓋成分到性能的映射，但論文提到可以把工藝參數（激光功率、掃描速度等）也編碼進去。

如果訓練數據包含這些，就能直接問"在500W、1m/s條件下，什么成分不開裂？"

這可能會更實用。

知識遷移：

鋁系訓練完了，下一步可以加鈦系、鎳系的數據，讓模型學習跨體系的規律。長遠看有可能發展成合金領域的基礎模型。

不過也要清醒認識局限性：

數據依賴嚴重，垃圾進垃圾出；

物理機制是黑盒，生成的極端配方必須實驗驗證。

和傳統方法比怎么樣？

論文和XGBoost對比了一下。

XGBoost訓練快（CPU幾分鐘 vs GPU幾小時），推理也快，預測精度相當（R2都在0.79到0.99之間）。

但XGBoost做不了逆向設計，遇到多解問題也沒轍。

AM易道認為，如果預算夠，可以用AlloyGPT海選方案，XGBoost做初篩，最后CALPHAD或實驗拍板。

AlloyGPT提供了一種新的工具:

把材料設計問題重新表述為語言問題，借用AI在語言建模上的成熟技術棧，繞開物理建模的復雜性。

但這條路能走多遠，還取決于數據積累和模型架構的進化。

我們認為這個方向值得強烈關注。

如果AI能把增材材料設計周期從幾個月壓縮到幾天，行業創新節奏會加快許多。

國內也有創材深造這樣的公司在做類似探索，他們用AI驅動的方式已經實現了航空航天級高強鋁合金和鎳基高溫合金的商品化，我們未來將做更多解讀。

本文的AlloyGPT開源了代碼：

GitHub: Taheri-Mousavi-Laboratory/AlloyGPT，有興趣的團隊可以拿自己的數據訓一版試試。

不過你得先有ThermoCalc的密碼，并且數據要遵守ThermoCalc的許可協議，訓練好的模型不能隨便公開。

關注AM易道，讀懂3D打印的變化之道。

尋找AM易道編輯，5年以上3D打印行業經驗，不限專業領域。期待與有深度思考能力、文字能力和創作興趣的小伙伴合作，共同打造優質內容。有意者請加yihanzhong詳聊。

企業合伙人計劃：

讀者提示：添加amyidao加入讀者交流群（備注加群），獲取原始信源鏈接或不便發表內容，并與AM易道同頻讀者共同探討3D打印的一切，AM易道建議也讀者星標公眾號，以便第一時間收到AM易道更新。

免責聲明：AM易道圖片視頻來自于網絡，僅作為輔助閱讀之用途，無商業目的。版權歸原作者所有，如有任何侵權行為，請權利人及時聯系，我們將在第一時間刪除。本文圖片版權歸版權方所有，AM易道水印為自動添加，輔助閱讀，不代表對該圖片擁有版權，如需使用圖片，請自行咨詢版權相關方。AM易道文章不構成任何投資建議，AM易道不對因使用本文信息而導致的任何直接或間接損失承擔責任。