东北大学数字钢铁全国重点实验室徐伟教授团队近期在金属结构材料的通用式设计方法领域取得突破进展，通过知识图谱、因果推断、强化学习智能体等AI技术与多种物理冶金算法的深度融合，建立了小样本体系下合金设计方法的统一化基座，并在钢铁材料、铝合金、高温合金等多个合金体系下验证了该设计方法的有效性与高通用性，发表了Nature Communications17 (2026) 10207、Acta Materialia321 (2026) 122819等多篇高水平研究成果。团队主要作者为徐伟教授、王晨充教授、于皓副教授和王灵禺副教授等。主要学生作者为博士研究生付佳博、周梓烨。
大模型是当前通用人工智能(AGI)发展的主流路径，但由于大模型对数据量的需求较高，其在金属结构材料小样本环境下的应用一直存在技术困境。而针对复杂多变的金属结构材料设计问题，逐一针对性的开发垂类专用模型费时费力，难以将AI对材料设计的加速作用在各种类合金体系下快速推广。针对这一困境，徐伟团队创新性提出以因果知识图谱为核心的小模型AGI基座，通过因果图谱关系的建立将金属结构材料领域多模态、跨尺度、特征异构的复杂数据结构整合为统一表达方式，同时有效引入了物理机制的指导约束作用，从而形成可稳定适用于各种类合金设计问题的统一化处理方法，一举解决大模型专用能力差、小模型适用面窄的固有矛盾。形成的代表性案例如下所述。
图1 以知识图谱为核心的小模型AGI基座
代表性成果1：凝固机制图谱指导的高工艺鲁棒性增材制造合金设计
针对激光增材制造高性能合金中成分、工艺、组织与缺陷多变量耦合，且实验数据有限、缺陷波动显著的问题，徐伟团队创新性提出不确定性量化知识图谱设计框架（UQ-KGAT）。该方法把合金成分、激光参数、相稳定性和凝固动力学统一组织为可反应机制关联性的因果知识图谱式数据，以成分影响相稳定性、工艺调控温度梯度与冷却速率、凝固行为决定孔隙和裂纹等机制关系引导人工智能训练方向；模型同时可描述实验波动和自身认知不确定性，再通过NSGA-II算法协同优化成分与工艺。使用仅含142组数据的镍基合金样本，团队成功设计并制备了新型KG-AMS合金，其打印态缺陷面积分数仅为0.037%—0.133%，硬度达到391—417 HV；热处理后，在900 ℃、200 MPa和800 ℃、400 MPa条件下的蠕变断裂寿命分别提升至97.8 h和70.7 h，一举打破了增材制造高温合金可打印性与蠕变性能的互斥关系。该方法又进一步迁移应用至163组样本的铝合金体系，设计的新合金相对密度达到99.96±0.019%，硬度达到128.3±3.99 HV。研究证明，知识图谱能够把可迁移的物理机制嵌入小模型，使其在数据有限时保持跨合金泛化能力，并通过“预测—优化—制备—表征”闭环推动小模型AGI基座走向材料设计实践。相关工作以题为“Knowledge-informed graph attention networks enable defect-free alloy design for laser additive manufacturing”和“Graph neural networks enable design of high performance aluminum alloys for laser powder bed fusion”分别发表于Nature Communications和Virtual and Physical Prototyping期刊。
论文链接:
https://doi.org/10.1038/s41467-026-77119-6
https://doi.org/10.1080/17452759.2025.2549366
图2 物理冶金知识图谱驱动的激光增材制造镍基高温合金设计与性能验证
代表性成果2：基于因果推断智能体的知识图谱发现与钢铁韧性设计
上述代表性成果1在高温合金、铝合金等小样本合金体系下证明了因果知识图谱方法的有效性与泛用价值，而保证其高设计成功率的关键因素之一就是建立尽可能准确的机制关系图谱。但在金属结构材料领域，并非所有的组织性能机制关系都可以通过专家经验进行准确的建立。例如在部分复杂组织条件下，韧性机制的确定大幅依赖于多来源高端测试表征与经验分析，容易存在人为判定的误差与“偏见”，从而会直接制约合金设计的高效性与准确性。因此，目前领域内对于合金强韧性协同设计的周期普遍较长。针对这一问题，徐伟团队创新性的将因果推断理论与知识图谱技术结合，开发了领域内首见报道的机制挖掘智能体。该智能体可在无人为指导或干预的情况下，通过数据的自主分析与交互式寻优，进行机制解析过程的纠偏，主动发现相对客观的机制关系。同时，所发现的新机制会以因果图谱形式直接引入至预测模型中，形成“韧性机制图谱+数据”双驱动的合金强韧性设计流程。该智能体在高强钢体系下主动发现了专家经验难以关注到的“Mo元素→R相界面能→韧性”核心机制链，后续构建的图学习算法成功设计出了以Mo元素在析出相界面偏聚为主要优化机制的一系列高强韧性不锈钢，验证结果显示：设计的新合金在保证强度不损失的同时韧性最高提升幅度达50%。相关工作以题为“Autonomous Mechanism Discovery in Tough Alloy Design via Causal Reinforcement Learning on Knowledge Graphs”发表于Acta Materialia期刊。
论文链接:
https://doi.org/10.1016/j.actamat.2026.122819
图3 基于因果推断智能体的知识图谱发现与钢铁韧性设计
代表性成果3：因果知识图谱方法的泛化应用与通用基座建立
上述两项代表性工作充分证明了：无论通过专家经验亦或强化学习智能体等数据挖掘手段，只要可以获取相对准确的物理机制关系图谱，就可以直接用图谱式数据指导多种合金设计。而该方法也被进一步泛化应用于相变调控、复杂性能预测，甚至工业数据分析等多个研究方向，进一步证明了其作为一种小模型AGI基座的通用性价值。在马氏体相变调控方面，徐伟团队创新性提出的知识图谱预测框架可以有效整合多来源特征异构型数据，从而首次实现对于预应变、强磁场等复杂条件下的多合金体系马氏体相变点普适性预测(CALPHAD: 85 (2024) 102710, 文章链接：https://doi.org/10.1016/j.calphad.2024.102710)；在H2S腐蚀预测方面，徐伟团队构建了以多种DFT机制计算结果为核心的知识图谱预测框架，不单实现了H2S腐蚀性能的高效预测，同时为跨尺度机制的协同建模提供了可行思路(Journal of Materials Research and Technology 44 (2026) 2460–2474,文章链接：https://doi.org/10.1016/j.jmrt.2026.07.284)；在工业大数据分析方面，徐伟团队构建了基于知识图谱的物理冶金原理指导工业大数据分析方法，通过工业流程机制的引入，实现了针对小批量产品“冷启动”式的性能预测(MGE Advances (2025) e85，文章链接：https://doi.org/10.1002/mgea.85)。目前，该因果知识图谱式AGI基座已依托辽宁省金属材料基因科学数据中心完成二期建设，服务于更多企业与研究单位的合金开发及数据分析需求。
辽宁省金属材料基因科学数据中心
综上所述，徐伟教授团队近期的系列化研究成果充分展现了以因果知识图谱为核心的小模型AGI基座对金属结构材料领域发展的重要意义，其不单具有构架轻量化的特点，同时可以成为降低数据标准化门槛的有效方法，更是可以连接跨尺度物理机制与数据驱动的关键纽带，其足以成为推进人工智能技术在金属结构材料领域快速应用与普及的高潜力路径，值得领域研究人员的高度关注。
来自“材料科学与工程”公众号，感谢论文团队支持。
近期会议推荐：
欢迎留言，分享观点。点亮❤
热门跟贴