原文发表于《科技导报》2026 年第1 3期《人工智能赋能超高温高熵陶瓷智能设计 》
面对航空航天、深海探测、先进核能等国家重大战略领域对极端环境材料的迫切需求，传统材料体系在超高温、强腐蚀、高应力等复杂耦合工况下已接近性能极限。《科技导报》邀请北京应用物理与计算数学研究所宋海峰研究员、西北工业大学李金山团队撰写文章，系统分析了人工智能赋能超高温陶瓷（AI4UHTC）智能设计新范式。以超高温高熵陶瓷为典型材料，深入分析了该范式深度融合高通量计算与机器学习技术，驱动研发流程从“经验试错”向“知识辅助-数据驱动”的“智能设计”根本性转变。系统梳理了高熵陶瓷设计范式从经验试错、知识驱动、数据驱动到智能设计的演进逻辑，重点阐述了机器学习在可合成性精准预测、力学/热学/化学等关键服役性能设计与优化，以及多目标协同等方面的强大能力与应用实例。同时，深入剖析了当前智能设计在数据生态、模型可解释性、工艺集成及计算-实验闭环等方面面临的挑战，并对“数据-模型-知识-智慧”自主进化路径和“AI多智能体”体系的构建进行了展望，以推动超高温高熵陶瓷智能设计软件自主化并实现AI4UHTC的典型应用示范。
在航空航天、深海探测及先进核能等国家重大战略领域，关键装备的服役环境正呈现出前所未有的极端化与复杂化趋势。从航空发动机叶片面对的2000℃以上超高温气流冲击，到深海潜器面临的高压与强腐蚀环境，单一物理性能的优化已难以满足现代工程对材料“多性能协同、长周期稳定、宽场景适配”的综合指标。金属材料在强腐蚀或高温环境下易失效，单组元陶瓷存在低温脆性或高温相不稳定性，这些局限推动超高温材料转向高熵陶瓷（HECs）体系。高熵陶瓷依托高熵四大效应——高熵效应、晶格畸变效应、缓慢扩散效应、鸡尾酒效应，实现性能突破性拓展。传统超高温陶瓷（UHTC）如ZrB₂、HfC被广泛应用于热防护部件，但受限于固有脆性、高密度及疲劳抗性不足，使用温度在3000℃以下，而高熵陶瓷的多组元设计进一步拓展了性能边界。然而，海量成分组合极易使研发陷入局部最优，难以获得兼顾耐超高温、抗氧化与高强韧综合性能的材料，传统“试错”研发模式已陷入“组合爆炸”困境。当前，材料科学的竞争已演变为算力、数据与平台生态的系统性对抗。集成计算材料工程（ICME）和材料基因工程（MGE）为破解上述瓶颈提供了革命性范式（图1）。智能设计通过深度融合高通量计算、大数据与AI技术，重塑高熵陶瓷的研发流程，将材料研发从“经验试错”转向“智能设计”，高熵陶瓷材料的研发向智能设计范式转变成为必然。
图1 AI赋能时代背景下先进材料智能设计与制造范式
1 HECs设计范式的演变
高熵陶瓷极其庞大的成分空间与有限的实验/计算资源迫使设计范式不断升级，经历了经验试错、知识筛选、数据驱动、AI赋能的智能设计演变（图2），同时呈现出明显的层次化演进特征。
图2 超高温高熵陶瓷设计范式的演变
1.1 经验试错范式：直觉驱动的盲目探索
高熵陶瓷研究的初期主要依赖于传统陶瓷工艺中积累的经验，核心路径是执行“原料配比—高温烧结—性能测试”的循环流程。2015年，Rost等受金属合金领域研究启发，首次从实验上验证了高熵氧化物体系的可合成性，提出熵稳定在具有离子特性的化合物中有效的结论。这一阶段的发现为后续研究提供了初始样本，但面对高维成分空间，这种探索方式极易陷入局部最优，促使研究范式向具有理论指导的知识驱动阶段转型。
1.2 知识驱动范式：理论指引下的定向设计
随着高熵陶瓷“可合成性”问题的解决，研究重心转向“规律指引+定向筛选”的知识驱动范式（图3）。该阶段引入了混合焓/熵、原子尺寸差异（δ）、价电子浓度（VEC）等热力学与电子结构参数作为物理判据，将盲目的成分组合转变为基于理论预判的规律指引。研发逻辑演变为“性能目标导向→理论反向筛选→实验验证”。密度泛函理论（DFT）第一性原理计算、分子动力学（AIMD）模拟、相图计算（CALPHAD）等理论工具成为预测核心工具，标志着高熵陶瓷研究实现了以设计为主的范式演变。
图3 知识驱动范式为智能设计提供理论依据
1.3 数据驱动范式：高通量计算构建的虚拟筛选
为突破知识驱动范式在高维成分空间筛选中的效率瓶颈，高熵陶瓷研究进入了以高通量计算和规则筛选为标志的数据驱动范式。高通量计算利用超级计算集群的算力，通过建立自动化工作流，对候选材料同时进行第一性原理或相图计算。最具代表性的是“熵形成能力（EFA）”描述符，通过高通量DFT计算高熵碳化物的能量分布谱，将单相稳定性的预测转化为数值阈值筛选问题。数据驱动范式将预研周期从数年缩短至数周，实现了研发效率的指数级提升及数据的原始积累，促使设计范式最终向智能设计跃迁。
1.4 智能设计范式：AI赋能的精确预测
当前，高熵陶瓷研究正逐渐向以机器学习（ML）为核心的智能设计范式转变。智能设计在高熵陶瓷中的应用主要体现在3个维度的深化：（1）高精度的正向预测：使用监督学习算法替代实验，预测相稳定性、硬度、热导率等性能；（2）数据结构的深度挖掘：应用无监督学习实现成分聚类与异常检测，揭示材料的内在分类学特征；（3）跨尺度的机理模拟：机器学习势（MLP）融合DFT的高精度与分子动力学（MD）的高效率，在扩展的时间和空间尺度上进行精确的大规模原子模拟。此外，基于生成式AI的“逆向设计”范式正被引入，集成大语言模型与自动化实验平台的AI智能体正实现从假设提出到合成表征的全流程无人化闭环。
2 HECs智能设计应用实例
智能设计范式通过融合高通量计算与ML，构建了涵盖“相形成能力预测”“关键服役性能筛选”及“多目标协同优化”的全链条设计体系。HECs的智能设计工作流包含数据收集、特征工程、模型训练与选择、模型部署与验证4个环节（图4）。
图4 AI4UHTC智能设计流程示意
2.1 可合成性与相稳定性预测
高熵陶瓷的可合成性是其性能实现与工程应用的前提，稳态相的形成应被视为熵与焓、温度与动力学共同决定的结果。机器学习（ML）方法通过计算模拟与模型构建，高效筛选能形成单相均匀固溶体的成分体系。当前智能设计的研究覆盖超高温陶瓷体系内的碳化物、硼化物、稀土硅酸盐等，形成了多维度的可合成性预测技术体系。
2.1.1 高熵碳化物推进的范式确立
高熵碳化物作为超高温防护与耐磨领域的核心候选材料，以其丰富的数据积累成为验证智能算法有效性的“模型体系”。早期研究致力于量化“熵稳定效应”，通过高通量密度泛函理论（DFT）计算，设定熵形成能力（EFA）>80 atom/eV的阈值作为单相形成判据，基于此训练的随机森林（RF）模型预测准确率达到85%。但是数据稀缺与不平衡是制约模型性能的关键瓶颈。
为突破数据瓶颈，当前研究主要演化出2条增强路径。一是在实验设计层面，通过主动学习（AL）迭代反馈，优先测试“不确定性高”的区域，将高熵碳化物的筛选数量扩展至15504种（图5）。另一种路径是算法层面的增强，通过生成合成数据来平衡正负样本，如自适应合成少数类过采样技术（ADASYN）辅助ML，通过文献实验数据与原子环境映射结构图生成半合成数据，将K近邻模型的预测准确率提升至92%，并结合SHAP分析明确原子半径差、电负性差等参数对单相形成的主导作用。此外，也可通过物理化学参数（元素的电离能、电子亲和能）作为特征输入预测可合成性，在预测5~9元非等原子比体系时，ML预测模型准确率达0.938。结合高通量实验与算法的闭环系统，预测高熵碳化物相形成准确率精度达93.4%，标志着智能设计完成了从“虚拟筛选”到“物理实现”的闭环。
图5 高熵碳化物AL流程示意
2.1.2 高熵硼化物、硅酸盐等多体系的范式拓展
随着高熵碳化物研究体系的成熟，研究重点正向结构更复杂、数据更匮乏的高熵硼化物、硅酸盐及氮化物等体系迁移，目前主要有3类路径。
第1类是算法层面的完善。高通量固相反应技术与遗传算法（GA）结合，筛选出关键描述符（如费米能级差、电负性差等），可以实现等摩尔成分高熵六硼化物的高精度预测（准确率为93.0%）。针对复杂高熵稀土硅酸盐体系缺乏标准数据集的问题，研究人员提出了层级分类策略，将预测任务分解为“合成可能性判别”与“具体相结构细分”2个层级，成功预测6045种未报道的多组分硅酸盐，整体准确率高达96.2%。
第2类路径是构建新的通用热力学描述符，突破特定化学成分与晶体结构的限制。Divilov等提出“无序焓-熵描述符（DEED）”，通过量化多组分体系中熵增与焓损的热力学平衡，实现多组分陶瓷可合成性的通用分类。与EFA相比，DEED结合卷积算法显著提升了对高熵碳氮化物与硼化物的预测精度（图6）。然而，EFA和DEED本质上是基于理想温度下的静态热力学描述符，忽略了超高温陶瓷制备过程中极其关键的动力学因素（如冷却速率、固相扩散势垒），在预测急冷或等离子火花烧结等非平衡工艺制备亚稳态高熵陶瓷时容易出现预测偏差。
图6 EFA和DEED描述符在预测高熵碳化物可合成性的应用
第3类路径聚焦于算法的可解释性，即在“黑箱模型”的精度与物理意义之间寻求平衡。RF模型预测MSi₂型高熵硅化物晶体结构的精度达96.82%，但难以直接给出物理公式。SISSO（sure independence screening and sparsifying operator）这一可解释性ML技术可以从高维空间中“蒸馏”出具有物理意义的解析表达式，明确价电子浓度与原子尺寸差的耦合作用对EFA的提升机制。因此，针对不同数据量级与特征维度，算法的选择至关重要（图7），SISSO可处理小数据场景；随着数据量与特征复杂度的增加，神经网络与图神经网络则能更好地捕捉非线性构效关系。
图7 ML模型算法选择策略
综上所述，智能设计在高熵陶瓷的可合成性预测上取得了显著进展，但仍面临“数据-机理”层面的双重挑战。缺乏高质量的负样本使得分类模型难以精准界定单相与多相的相图边界；当前模型多聚焦于常温或合成温度下的成相能力，而超高温陶瓷应用的核心挑战在于预测材料在服役环境下的相稳定性。未来的模型必须从单纯的“成分判别”转向“成分+工艺”的双模态学习，引入高温Gibbs自由能及扩散动力学参数，弥补理论预测与工程制备之间的差异。
2.2 关键服役性能的定向优化
2.2.1 力学性能预测
硬度的智能预测研究主要围绕算法模型的适配性优化、物理特征的深度挖掘及小样本/工艺数据3个维度展开。支持向量回归（SVR）模型可构建含230种高熵碳化物的力学性能数据库（R>0.93）；集成学习算法中XGBoost的测试集R²为0.827，优于RF(0.763)和SVR(0.802)。通过麻雀搜索算法（SSA）优化反向传播神经网络（BPNN）的输入参数，预测高熵陶瓷硬度值与DFT计算结果偏差小于3%。“数据驱动+知识赋能”的反馈验证循环模型结合SHAP分析，从149个特征中锁定电子功函数（EWF）为影响硬度的关键因子（图8）。数据增强生成对抗网络（DAGAN）驱动的设计策略解决了高熵氮化物数据短缺的问题，筛选出8个硬度超40GPa的超硬氮化物体系。
图8 数据与知识驱动的超硬高熵二硼化物设计策略逻辑框架
断裂韧性的智能预测研究方面，融合多物理场计算是实现微观结构调控的有效途径。相图计算、实验与ML整合构建的（Ti,Zr,Hf)C智能设计，利用CALPHAD指导等温时效工艺生成高密度纳米级调幅分解结构，使材料硬度（2780HV）与断裂韧性（3.47 MPa·m¹/²）较烧结态分别提升32%和80%（图9）。在成分筛选维度，“物理方程驱动”的混合模型将理论物理方程作为先验知识嵌入A₂Zr₂O₇型高熵氧化物的断裂韧性模型，从4万余种组合中精准筛选出韧性提升35%的材料。
图9 数据驱动与知识驱动的高熵氧化物建模优化原则/标准
弹性模量的预测方面，卷积神经网络（CNN）模型利用成分描述符预测高熵陶瓷的体积、剪切、杨氏弹性模量，结果与文献报道一致，但CNN模型为“黑箱”模型，缺乏可解释性。
2.2.2 热力学性能预测
熔点预测方面，机器学习势（MLP）能够以DFT/MD的精度模拟原子在高温下的动态行为，预测（TiZrTaHfNb）C₀.₇₅N₀.₂₅的熔点为3580 K。热膨胀系数（CTE）预测方面，通过DFT构建3360个高熵碳化物的数据集，RF模型结合SHAP分析明确了平均原子质量、晶格畸变等特征是影响CTE的关键因素。热导率预测方面，多维各向异性特征交互（DAFI）技术通过提取“原子半径差-电负性差”等高阶交互项，显著增强对声子散射机制的表征能力，预测A₂B₂O₇型高熵陶瓷热导率与实测值偏差小于3%。混合知识辅助-数据驱动的ML策略从6188种高熵氧化物中筛选出热导率低至1.2 W/(m·K)的材料（图10）。
图10 超低热导率高熵氧化物筛选策略的工作流程
2.2.3 化学稳定性预测
抗氧化性方面，结合第一性原理与ML的原子尺度分析方法计算了高熵碳化物表面的氧吸附能与电荷密度差，揭示不同金属元素对氧化学势的敏感度差异，预测了Ta/Hf元素在高熵基体中的优先氧化倾向。耐腐蚀性方面，在稀土二硅化物研究中引入腐蚀分级函数，将定性的钙镁铝硅酸盐（CMAS）腐蚀形貌转化为定量的梯度数据，通过XGBoost实现对350万种低成本稀土五元非等摩尔组合的快速筛选。
2.2.4 位错行为与结构稳定性
智能设计通过ML力场模拟高熵碳化物的位错行为，预测出（110）滑移系统的剪切强度，揭示严重晶格畸变和局部化学无序驱动1/2<110>位错的核心诱因。基于高通量计算构建的神经网络势（NNP）框架对非化学计量比核心结构、滑移势垒及长程静电相互作用的捕获能力与实验结果高度吻合。
2.2.5 其他性能预测
在耐磨性设计方面，SVR模型揭示了NbTaMoWAIC涂层中Al元素添加引起的硬度提升源于细化晶粒与增强晶格畸变的协同效应；针对“鸡尾酒效应”的核心来源，人工神经网络（ANN）模型量化了V-Nb-Ta基体系中畸变场对硬度与韧性的增强贡献；过渡金属碳化物原子间势模型实现了晶界偏析、堆垛层错等动态行为的大尺度模拟。此外，非等摩尔比设计和阴离子位掺杂调控也是目前智能预测的重要方向。
2.3 多目标协同设计与性能权衡
单一性能的提升往往伴随着其他性能的下降。针对经典的“强度-韧性”难题，“正向ML预测+逆向启发式搜索”的协同策略提供了有效路径。CALPHAD与ML整合实现了（Ti,Zr,Hf）C硬度与韧性的同步优化；通过ML与GA的闭环策略在多维空间寻优，筛选出兼具单相稳定性和优异抗氧化性的非等摩尔高熵碳化物。多目标优化仍是在已知空间内“筛选”，要实现真正的“逆向设计”，需要晶体结构数字化表征探索。ProMEv1.0平台实现了多组分合金极端条件（超高温、高压、强辐射）下的性能集成计算（图11），为高熵陶瓷的多目标优化设计提供了关键的参考方案。
图11 ProMEv1.0平台工作流程
3 挑战与展望
当前，智能设计范式展现了强大的材料发现与预测能力，但高熵陶瓷研发向“智能创制”的全面迈进，仍面临数据、机理与验证体系等核心瓶颈。
3.1 数据模型化与数据生态构建
必须超越当前碎片化、孤岛化的数据现状，构建自主可控的高熵陶瓷数据生态。现有通用无机材料数据库主要涵盖理想化学计量比下的晶体结构与形成能数据，针对高温、高压、强辐照等极端条件下多性能耦合数据极为稀缺，且“发表偏倚”导致负样本严重缺失。未来需要通过数字线程技术，构建贯穿高通量计算、实验到服役的“成分—工艺—结构—性能—服役”全链条数据，实现“数据积累”到“数据模型化”的转变。
3.2 模型算法化与智能体跨越
当前ML模型本质上仍是基于概率论的统计拟合工具，面对极端环境的外推时容易产生没有物理意义的预测结果。未来的智能设计必须从特征重要性排序转向物理约束与因果推断演进：融合符号回归、物理信息神经网络（PINN）等技术，挖掘并形成可解释的物理规律。另一方面，要推动智能设计从“嵌入式AI”的辅助工具向“AI4Mater”转变，集成大语言模型的理解力、强化学习的决策力，发展具备认知与决策能力的AI多智能体（AI Multi-Agent）体系。
3.3 算法软件化与数字孪生闭环
智能设计算法的价值在于工程化应用。“算法软件化”即将核心智能算法封装为标准化、模块化的工业软件与工具链。智能实验室方面，利物浦大学的移动机器人、加州大学伯克利分校的A-Lab系统、中国科学技术大学的AI-Chemist平台、上海硅酸盐所的MatMind材料大模型等均实现了“智能模型+实验平台”的闭环协作。数字孪生通过构建高保真的虚拟材料系统，形成“数据—模型—实验”的闭环反馈系统，加速高熵陶瓷从实验室发现到工程化应用的跨越。
3.4 AI4UHTC软件自主与范式革命
面对高超声速飞行器向Mach15+迈进及先进核热推进技术重启带来的超4000℃服役环境，AI4UHTC需要实现“软件自主化”，形成具备“智慧”——自进化、自适应的智能研发系统。重点方向包括：（1）从预测模型向“AI-Agent”进化，自主拆解复杂的材料设计任务；（2）构建垂直领域的大型多模态模型（LMMs），解决“小数据”样本下泛化难题；（3）打造自主实验室，打破计算与实验的物理隔阂。通过上述方向整合，一个集成海量数据、领域知识、多尺度模型与智能决策内核的AI4UHTC自主软件系统，将能根据国家重大工程需求主动定义问题、生成材料解决方案，推动高熵陶瓷从概念材料加速转化为服役环境下的部件。
4 结论
1）范式演变的必然性：针对高熵陶瓷“组分无限、结构无序、工况极端”的特征，传统试错实验与单一尺度模拟已难以应对“组合爆炸”挑战。智能设计范式通过融合高通量计算与机器学习，将材料研发从“盲目筛选”转变为“定向寻优”。
2）全流程赋能的实效性：AI已深度渗透至高熵陶瓷研发的各个环节。在可合成性方面突破单相固溶体的预测瓶颈；在性能预测方面精准建立“成分—结构—性能”的非线性映射；在工艺优化方面实现多属性协同提升。
3）未来跃迁的方向：尽管当前仍面临小样本数据稀缺与模型可解释性不足的挑战，但随着AI-Agent、大语言模型（LLMs）及自主实验室的兴起，AI将逐步进化为具备自主决策能力的“科研专家”。未来，通过推进“数据—模型—知识—智慧”的自主进化，构建具备“认知—决策—执行”能力的AI4UHTC智能材料研发系统，将是推动超高温高熵陶瓷在极端环境应用的关键。
本文作者：田德祥、卢佳琦、李佩璇、高兴誉、王毅、宋海峰、李金山
作者简介：田德祥，西北工业大学中国–哈萨克斯坦材料基因工程与智能科学“一带一路”联合实验室、西北工业大学凝固技术全国重点实验室，博士研究生，研究方向为超高温陶瓷智能设计；宋海峰（通信作者），北京应用物理与计算数学研究所，研究员，研究方向为凝聚态物理、材料多尺度模拟算法；李金山（共同通信作者），西北工业大学中国–哈萨克斯坦材料基因工程与智能科学“一带一路”联合实验室、西北工业大学凝固技术全国重点实验室，研究方向为钛合金、难熔及高温合金材料与成形技术。
文章来 源 ： 田德祥, 卢佳琦, 李佩璇, 等. 人工智能赋能超高温高熵陶瓷智能设计[J]. 科技导报, 2026, 44(13): 79-97.
本文有删改，
内容为【科技导报】公众号原创，欢迎转载
白名单回复后台「转载」
《科技导报》创刊于1980年，中国科协学术会刊，主要刊登科学前沿和技术热点领域突破性的研究成果、权威性的科学评论、引领性的高端综述，发表促进经济社会发展、完善科技管理、优化科研环境、培育科学文化、促进科技创新和科技成果转化的决策咨询建议。常设栏目有院士卷首语、科技新闻、科技评论、本刊专稿、特色专题、研究论文、政策建议、科技人文等。
热门跟贴