西工大团队用物理感知机器学习逆向设计金属微结构，成果发表于 Nature Communications
用 25 组实验数据加上物理约束的生成模型，直接反推出性能更好的金属微结构，并用模拟和实物验证——材料研发从试错转向逆向设计的样例。
金属性能很大程度上由微结构决定，但传统研发靠反复试错调整成分和热加工参数。西北工业大学团队改用逆向设计：先在 25 组实验数据上训练物理感知模型，学会晶界、晶粒取向等特征，再在潜空间中搜索同时提高强度与延伸率的微结构，最终发现训练数据中不存在的双峰晶粒尺寸分布，并通过晶体塑性有限元模拟和实际制备验证。
正文摘录
.jpg) 编辑丨& 金属材料的性能，很大程度上写在微结构里。晶粒大小、形貌以及晶体取向共同决定材料在受力时如何发生塑性变形，而晶界等界面区域尤其包含大量与力学响应有关的信息。传统研发往往需要不断调整成分和热加工参数，再通过实验观察微结构和力学性能的变化，这种依靠经验反复试验的方式，在需要同时提高多项性能时尤其困难。 9 月 30 日发表于《Nature Communications》的「Generative design of high-fidelity microstructures using physics-aware machine learning」中，西北工业大学的团队把问题换成了一个逆向设计过程：已经知道想要什么样的力学性能，能否让机器学习直接提出对应的微结构。 研究团队选择镍基高温合金 Inconel 625 作为模型体系，只使用 25 组实验测得的微结构图像及其对应的屈服强度、延伸率数据作为初始数据。研究目标则很明确，同时提高强度和延展性，而这两项指标在材料设计中通常存在较强的权衡。