西工大李金山教授團隊連發4篇《Acta Materialia 》！AI for Materials

機器學習等人工智能方法因其優異的數據處理和建模能力，近年來被廣泛應用于材料的構效關系挖掘和高性能化設計。但是，目前基于機器學習的構效關系模型預測能力仍然不足，無法有效指導多種性能協同優化。

具體地：（1）如何更好的表示或描述給定材料，進而建立高可靠性、強預測能力的構效關系模型？（2）在構效關系模型的基礎上，如何快速從未知空間搜索，指導材料性能優化？

基于此，發展了面向合金微觀組織的表示和量化，微觀組織的時空演化，多模態數據融合，以及領域知識嵌入的機器學習框架。建立了高可靠性、高精度的構效關系模型，并有效指導了材料設計。相關工作形成4篇論文，發表在Acta Mater。

一、基于表示學習的合金微觀結構-力學性能構效關系挖掘

針對組織-性能關系模型的建立，一般采用深度學習自動化提取圖像特征并預測目標性能。但是，微觀組織蘊含豐富的物理信息，如何有效提取這些信息并進行量化表示，是建立兼具解釋與預測能力構效關系的關鍵和難點。值得注意的是，實驗研究中可利用的數據通常很有限，進一步凸顯了解決上述兩個問題的迫切性。針對上述問題，發展了基于變分自編碼器的自監督編碼技術，通過圖像增強和兩步訓練策略，提取了微觀組織關鍵信息并實現了更具泛化能力的編碼表示，隨后以編碼表示作為輸入預測了屈服強度。相對于經典CNN模型，新開發模型在測試集上的預測精度明顯提升。更有趣的是，潛變量表示-屈服強度關系與霍爾-佩奇規律類似。進一步分析表明，特定維度的潛變量可以直接表示或對應小尺寸晶粒，即模型具有較好的潛變量解耦能力。

上述工作以“Mapping microstructure to mechanical property by disentangling strengthening mechanism with deep learning”為題，發表在Acta Materialia 301 (2025) 121608。論文鏈接：https://doi.org/10.1016/j.actamat.2025.121608

二、基于深度學習的鈦合金微觀組織時空演化預測

材料在蠕變等服役過程中微觀組織會隨時間發生演化，有效預測組織隨時間的演化，不僅能對理解材料失效和評估服役壽命提供支持，還能避免昂貴的實驗。針對微觀組織演化預測，一般采用長短記憶網絡等時序方法，但是這類方法在長時預測時誤差急劇增大；另一種思路是采用深度學習與理論模型結合交替預測，雖然能夠提升精度，但導致計算效率降低。針對這一問題，發展了基于時空卷積神經網絡的微觀組織演化預測方法。利用該方法，通過輸入前面數張組織圖像，可以直接預測后續數量的組織圖像。與經典的長短記憶網絡對比，開發的模型不論在預測精度和還是效率都實現了提升，這一優勢在長時外推預測時更加顯著。基于上述工作，正在開展蠕變過程微觀組織的預測和優化設計，為蠕變壽命評估和抗蠕變合金設計提供支持。

上述工作以“Spatiotemporal microstructure evolution during martensitic transformation in titanium alloys using deep learning”為題，發表在Acta Materialia 301 (2025) 121603。論文鏈接：https://doi.org/10.1016/j.actamat.2025.121603

三、基于大語言模型的鈦合金構效關系挖掘和自動設計框架

針對成分-工藝-性能關系模型的建立，一般以不同構成元素的含量或者基于專家知識構建的物理描述符作為輸入去預測性能。但是，這類數值型參量是否蘊含足夠的信息量，能否充分地描述給定合金？更重要的是，物理描述符設計嚴重依賴于專家經驗和材料體系，有可能導致普適性不足。針對上述問題，發展了基于Transformer的多模態數據融合方法，通過從5萬篇文獻摘要蒸餾知識并遷移至小樣本數據，自動獲取了材料成分的高質量表示。相對于成分和物理描述符作為輸入，提升了多種力學性能的預測精度。進一步分析發現，基于多模態數據融合的成分表示，向量的某些維度與物理描述符呈現強線性相關性，表明模型有效學習到了文獻中蘊含的知識或物理信息。在預測模型的基礎上，結合多目標優化算法，推薦了強塑性協同的新型鈦合金。

上述工作以“Generalizable descriptors for automatic titanium alloys design by learning from texts via large language model”為題，發表在Acta Materialia 296 (2025) 121275。論文鏈接：https://doi.org/10.1016/j.actamat.2025.121275

四、基于機器學習融合朗道理論模型的材料多性能協同優化

針對給定材料的不同性能數據，一般需要建立相應數量的機器學習模型，從而指導性能優化。但是，材料數據的搜集或構建需要耗費大量的人力和物力，例如蠕變和疲勞等需要長周期測試的性能。理論模型例如朗道理論或者其他自由能相關模型，通過求導，可以計算多種目標性能。但是，對未知材料而言，無法提前獲得理論模型的參數。針對這一問題，通過融合機器學習和朗道理論模型，建立理論模型參數的預測模型，僅用兩組比較容易獲得的數據，成功預測了5種以上的性能（包括實驗上很難測試的性能）。在性能預測模型的基礎上，結合考慮相似性的多性能協同優化技術，通過少量實驗，成功制備了兩種競爭性能協同提升的材料。這一思路可遷移至有限元、相場模擬等其他領域，通過機器學習增強模擬，為材料開發提供指導。

上述工作以“Machine learning-enabled design of ferroelectrics with multiple properties via a Landau model”為題，發表在Acta Materialia 286 (2025) 120760。論文鏈接：https://doi.org/10.1016/j.actamat.2025.120760

上述工作第一單位均為西北工業大學，第一作者包括材料學院研究生廖瑋杰、王萍、縱榜倓，通訊作者包括李金山教授和袁睿豪副教授。該工作得到了國家重點研發計劃、國家自然科學基金和凝固技術全國重點實驗室科研基金的支持。

本文來自“材料科學與工程”公眾號，感謝作者團隊支持