研究背景
机器学习因其优异的建模和预测能力，已经被广泛应用于金属材料研究。但是，金属材料性能受成分、工艺、组织等多种因素的共同影响，导致构效关系极其复杂、待探索空间巨大等难题。针对这些问题，研究团队开发了符号回归引导的全局优化方法[Materials Today 88 (2025): 263-271]，长时高精度微观组织演化及力学性能预测方法[Acta Materialia 301 (2025) 121603，Acta Materialia 301 (2025) 121608]，融合多模态数据提升性能预测技术[Acta Materialia 296 (2025) 121275]。基于发展的方法和技术，构建了考虑物理机制的高精度、可解释力学性能预测模型，指导从探索空间筛选并制备出高性能金属材料。在以上材料正向设计研究基础上，是否可以采用逆向或者生成式设计思路，根据所需性能，针对性生成目标组织，指导成分、工艺优化，从而进一步提升合金设计的合理性和效率？
金属材料组织，特别是晶界、相界等多种类型界面，对力学性能有决定性作用。因此，如何精确设计并制备目标微观组织，是获得高性能金属材料的关键。深度学习等方法擅于从图像中学习，已被用于处理图像分割、图像生成等多种类型任务。但是，基于深度学习的材料组织建模和设计研究仍面临两个难点：（1）无法有效考虑界面等关键信息，导致生成组织图像物理保真度低；（2）生成组织无法跳出训练数据分布，导致无法实现性能突破。
成果简介
西北工业大学凝固技术全国重点实验室在解决上述问题方面取得进展。具体以镍基高温合金为对象，从25组高质量“组织-强度”实验数据出发，提出了高保真微观组织生成-性能导向优化的设计框架，通过将晶界、晶体学取向特征等融入损失函数，并发展兼顾多样性与可制备性的组织特征优化技术，大幅提升了微观组织生成的物理保真度，设计了训练数据分布外新型微观组织，制备了强塑性协同提升的高温合金。
相关成果以“Generative design of high-fidelity microstructures using physics-aware machine learning”为题，发表于《Nature Communications》。袁睿豪副教授和李金山教授为论文共同通讯作者，博士生廖玮杰为论文第一作者，凝固技术全国重点实验室为通讯单位。研究工作得到了2030国家新材料科技重大专项、凝固技术全国重点实验室自主课题、国家自然科学基金和陕西省自然科学基金的支持。
论文链接：
https://doi.org/10.1038/s41467-026-78118-3
图文导读
图1展示了研究的整体思路。首先，该研究构建了融合变分自编码器（VAE）和去噪扩散概率模型（DDPM）的图像生成框架，其中VAE可以将微观组织压缩至连续潜在空间，DDPM为模糊的生成图像补充组织细节。模型的训练过程将界面保真度与晶格取向等物理嵌入到损失函数中，从而实现符合真实微观组织物理特征的图像高保真生成。为了实现分布外微观组织的生成和材料强塑性的协同优化，研究通过多目标优化遗传算法NSGA-II以屈服强度和延伸率为目标搜索潜在空间，再由解码器生成相应的候选组织。
图1 物理感知的高保真微观组织生成与逆向设计框架
图2对比了仅使用像素损失和使用物理信息融合的复合损失函数时模型的图像生成效果。结果表明，仅通过像素误差优化模型时，重构图像的晶界较为模糊、不连续，同一晶粒内部出现不合理的取向波动。加入边缘检测损失和结构相似性损失后，重构图像的晶界轮廓、晶内取向和图像精度得到明显改善。引入物理约束后，模型能够更准确地重构晶界形貌和晶内取向，稳定后的像素损失由约0.20降低至约0.10。
图2 不同损失函数下的模型训练过程及微观组织重构结果
为了进一步评估模型生成图像的保真度，图3通过多个物理特征相似度评价了图像生成质量。研究分别提取了原始组织与重构组织的晶粒面积分布、等效椭圆长轴分布、等效椭圆短轴分布以及三个欧拉角分布，证明了物理特征的一致性。然后，对全部2000个裁剪后的图像块及其原始大尺寸图像的平均物理特征值进行了统计分析，发现训练集和测试集均表现出较好的一致性，证明了模型重构组织形貌与晶体学取向信息的能力。
图3 原始组织与重构组织的形貌和晶体学特征对比
图4给出了潜在空间中的多目标优化过程。研究使用组织潜在变量训练屈服强度和延伸率代理模型，实现了材料性能的准确预测，测试集上的决定系数R2均超过0.92。然后将代理模型预测结果作为NSGA-II的目标函数进行合金屈服强度和延伸率的多目标优化。随着迭代进行，候选合金的帕累托前沿持续推进，生成组织逐渐出现更多细晶区域。主成分分析表明，多数新组织位于初始25组样本的分布之外，显示出该方法对新组织空间的探索能力。
图4 微观组织与材料性能的逆向优化过程及候选解
图5比较了初始组织、优化生成组织和实验制备组织，并分析了优化后的材料性能。分析发现，优化生成的微观组织中出现了训练数据里原本不存在的双峰晶粒尺寸分布，即细晶区与较大晶粒共同存在。为检验机器学习设计结果，研究首先采用晶体塑性有限元（CPFE）模型，对候选组织的拉伸响应进行模拟。模拟所得屈服强度和延伸率与机器学习设定的目标值吻合良好。随后，通过优化热处理工艺成功制备出具有明显双峰晶粒特征的合金组织。实验验证发现，拉伸结果、CPFE模拟结果与机器学习预测结果相互印证，完成了从微观组织智能设计到实验验证的研究闭环。
图5 优化组织的双峰晶粒特征及机器学习、模拟和实验结果对比
结论与展望
该研究提出了一种面向材料微观组织逆向设计的物理感知生成与优化框架。通过将晶界和晶体学取向引入生成模型的损失函数，提高了分布外组织生成的物理保真度；通过在连续潜在空间中开展多目标优化，模型获得了兼顾屈服强度和延伸率的双峰组织方案。晶体塑性有限元模拟与实验结果共同证明了候选组织的可实现性和性能优势。这一思路可进一步拓展至其他合金和材料体系，并与高通量实验、主动学习及先进加工技术结合，逐步形成可迭代的工艺、组织和性能设计闭环。
通讯作者简介
袁睿豪，西北工业大学长聘副教授，博士生导师。主要从事研究领域为“人工智能驱动的金属材料设计与制备”，致力于面向组织的多模态建模技术开发及应用，以第一/通讯作者在Nature Communications、Advanced Materials、Materials Today、Acta Materialia (5)等期刊发表论文36篇，授权软著/专利10余项；主持国家自然科学基金、国家重点研发计划子课题等项目；先后获得陕西省优秀博士论文、材料基因工程青年科学家奖、教育部自然科学一等奖、陕西省自然科学基金B类项目支持；担任Materials Genome Engineering Advances、Journal of Materials Informatics、Materials Research Letters等期刊的青年编委。
李金山，西北工业大学教授、博导，凝固技术全国重点实验室主任、西北工业大学重庆科创中心主任，国家级领军人才，国务院政府特殊津贴专家，全国创新争先奖获得者。兼任中国材料研究学会凝固科学与技术分会主任委员、中国机械工程学会铸造分会副主任委员、中国航空学会材料工程分会副主任委员、中国兵工学会伪装隐身专业委员会副主任委员、上海证券交易所科技创新咨询委员会委员。担任《Materials & Solidification》和《铸造技术》主编，《中国有色金属学报（中英文版）》、《金属学报》、《航空制造技术》、《钢铁研究学报英文版》、《中国材料进展》等期刊编委。主要从事钛基合金及其精确热成形技术研究工作。主持科技创新2030重大项目、国家重点研发计划、国家自然科学基金重点、国家重大科技成果转化等项目30余项。发表学术论文300余篇，合著专著7部，获授权国家发明专利150余件，软著40余件。获国家科技进步二等奖1项，教育部科技一等奖1项，国防科技进步一等奖1项，陕西省科技一等奖2项，陕西省教学成果奖特等奖1项、中国专利优秀奖1项。
本文来自“材料科学与工程”公众号，感谢论文团队支持。
欢迎留言，分享观点。点亮❤
热门跟贴