机器学习等人工智能方法因其优异的数据处理和建模能力，近年来被广泛应用于材料的构效关系挖掘和高性能化设计。但是，目前基于机器学习的构效关系模型预测能力仍然不足，无法有效指导多种性能协同优化。
（1）如何更好的表示或描述给定材料，进而建立高可靠性、强预测能力的构效关系模型？
（2）在构效关系模型的基础上，如何快速从未知空间搜索，指导材料性能优化？
基于此，李金山教授团队发展了面向合金微观组织的表示和量化，微观组织的时空演化，多模态数据融合，以及领域知识嵌入的机器学习框架。建立了高可靠性、高精度的构效关系模型，并有效指导了材料设计。相关工作形成4篇论文，发表在Acta Mater。
文章导读
一、基于表示学习的合金微观结构-力学性能构效关系挖掘
针对组织-性能关系模型的建立，一般采用深度学习自动化提取图像特征并预测目标性能。但是，微观组织蕴含丰富的物理信息，如何有效提取这些信息并进行量化表示，是建立兼具解释与预测能力构效关系的关键和难点。值得注意的是，实验研究中可利用的数据通常很有限，进一步凸显了解决上述两个问题的迫切性。针对上述问题，发展了基于变分自编码器的自监督编码技术，通过图像增强和两步训练策略，提取了微观组织关键信息并实现了更具泛化能力的编码表示，随后以编码表示作为输入预测了屈服强度。相对于经典CNN模型，新开发模型在测试集上的预测精度明显提升。更有趣的是，潜变量表示-屈服强度关系与霍尔-佩奇规律类似。进一步分析表明，特定维度的潜变量可以直接表示或对应小尺寸晶粒，即模型具有较好的潜变量解耦能力。
此工作以“Mapping microstructure to mechanical property by disentangling strengthening mechanism with deep learning”为题，发表在Acta Materialia301 (2025) 121608。
论文链接：https://doi.org/10.1016/j.actamat.2025.121608
二、基于深度学习的钛合金微观组织时空演化预测
材料在蠕变等服役过程中微观组织会随时间发生演化，有效预测组织随时间的演化，不仅能对理解材料失效和评估服役寿命提供支持，还能避免昂贵的实验。针对微观组织演化预测，一般采用长短记忆网络等时序方法，但是这类方法在长时预测时误差急剧增大；另一种思路是采用深度学习与理论模型结合交替预测，虽然能够提升精度，但导致计算效率降低。针对这一问题，发展了基于时空卷积神经网络的微观组织演化预测方法。利用该方法，通过输入前面数张组织图像，可以直接预测后续数量的组织图像。与经典的长短记忆网络对比，开发的模型不论在预测精度和还是效率都实现了提升，这一优势在长时外推预测时更加显著。基于上述工作，正在开展蠕变过程微观组织的预测和优化设计，为蠕变寿命评估和抗蠕变合金设计提供支持。
此工作以“Spatiotemporal microstructure evolution during martensitic transformation in titanium alloys using deep learning”为题，发表在Acta Materialia 301 (2025) 121603。
论文链接：https://doi.org/10.1016/j.actamat.2025.121603
三、基于大语言模型的钛合金构效关系挖掘和自动设计框架
针对成分-工艺-性能关系模型的建立，一般以不同构成元素的含量或者基于专家知识构建的物理描述符作为输入去预测性能。但是，这类数值型参量是否蕴含足够的信息量，能否充分地描述给定合金？更重要的是，物理描述符设计严重依赖于专家经验和材料体系，有可能导致普适性不足。针对上述问题，发展了基于Transformer的多模态数据融合方法，通过从5万篇文献摘要蒸馏知识并迁移至小样本数据，自动获取了材料成分的高质量表示。相对于成分和物理描述符作为输入，提升了多种力学性能的预测精度。进一步分析发现，基于多模态数据融合的成分表示，向量的某些维度与物理描述符呈现强线性相关性，表明模型有效学习到了文献中蕴含的知识或物理信息。在预测模型的基础上，结合多目标优化算法，推荐了强塑性协同的新型钛合金。
此工作以“Generalizable descriptors for automatic titanium alloys design by learning from texts via large language model”为题，发表在Acta Materialia 296 (2025) 121275。
论文链接：https://doi.org/10.1016/j.actamat.2025.121275
四、基于机器学习融合朗道理论模型的材料多性能协同优化
针对给定材料的不同性能数据，一般需要建立相应数量的机器学习模型，从而指导性能优化。但是，材料数据的搜集或构建需要耗费大量的人力和物力，例如蠕变和疲劳等需要长周期测试的性能。理论模型例如朗道理论或者其他自由能相关模型，通过求导，可以计算多种目标性能。但是，对未知材料而言，无法提前获得理论模型的参数。针对这一问题，通过融合机器学习和朗道理论模型，建立理论模型参数的预测模型，仅用两组比较容易获得的数据，成功预测了5种以上的性能（包括实验上很难测试的性能）。在性能预测模型的基础上，结合考虑相似性的多性能协同优化技术，通过少量实验，成功制备了两种竞争性能协同提升的材料。这一思路可迁移至有限元、相场模拟等其他领域，通过机器学习增强模拟，为材料开发提供指导。
此工作以“Machine learning-enabled design of ferroelectrics with multiple properties via a Landau model”为题，发表在Acta Materialia 286 (2025) 120760。
论文链接：https://doi.org/10.1016/j.actamat.2025.120760
上述工作第一单位均为西北工业大学凝固技术全国重点实验室，通讯作者包括凝固技术全国重点实验室李金山教授和袁睿豪副教授，第一作者包括研究生廖玮杰、王萍、纵榜倓。该工作得到了国家重点研发计划、国家自然科学基金和凝固技术全国重点实验室科研基金的支持。
通讯作者简介
◼ 李金山 教授
西北工业大学教授、博导，凝固技术全国重点实验室主任，国家级领军人才，国务院政府特殊津贴专家。兼任中国材料研究学会凝固科学与技术分会理事长、中国机械工程学会铸造分会副理事长、中国航空学会材料工程分会副主任委员、中国兵装学会隐身与防护材料分会副主任委员、陕西省高等学校创新创业教育工作委员会副主任委员、上海证券交易所科技创新咨询委员会委员。担任《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》等期刊编委。主要从事先进钛合金材料及其精确热成形技术研究。主持国家重点研发计划、民机科研、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6部，获授权国家发明专利100余项。获教育部科技一等奖和国防科技一等奖各1项，陕西省科技一等奖2项，中国专利优秀奖1项。
◼ 袁睿豪 副教授
西北工业大学副教授，博士生导师。目前主要从事研究领域为“人工智能+金属材料”，聚焦于金属材料多模态构效关系挖掘和高性能设计。以第一/通讯作者在Advanced Materials、Materials Today、Acta Materialia等期刊发表论文30余篇，授权软著/专利10余项，主持国家级和省部级项目5项。参与编写“人工智能+材料”相关教材和专著各1本。担任期刊《MGE Advances》和《Journal of Materials Informatics》的青年编委。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。
学校主页