鈦合金是20世紀(jì)50年代初期發(fā)展與應(yīng)用的重要金屬結(jié)構(gòu)材料，被譽(yù)為繼鋼鐵和鋁合金之后崛起的"第三金屬"。高性能鈦基材料涵蓋先進(jìn)鈦合金、鈦鋁系金屬間化合物、鈦基復(fù)合材料、鈦火防控新材料等，因其比強(qiáng)度高、耐腐蝕好、使用溫度寬等諸多優(yōu)異特性，成為現(xiàn)代飛行器、航空發(fā)動(dòng)機(jī)、深海探測(cè)裝備、高端生物醫(yī)療植入體等領(lǐng)域的關(guān)鍵應(yīng)用材料，這些優(yōu)異的綜合性能得益于鈦基材料在物理冶金過(guò)程中多種變形機(jī)制的交互耦合，如α/β多相共存與轉(zhuǎn)變、馬氏體相變、有序化反應(yīng)、位錯(cuò)滑移與孿生等。然而，高性能鈦基材料的成分-工藝-組織-性能呈現(xiàn)極端高維度、非線性關(guān)系,并對(duì)氧等微量間隙元素及熱-力過(guò)程參數(shù)敏感 [1],使其成為難以預(yù)測(cè)和調(diào)控的金屬材料體系之一。盡管密度泛函理論(density functional theory,DFT)、相圖計(jì)算方法(calculation of phase diagrams,CALPHAD)等工具為材料研發(fā)提供重要支撐，但在處理上述復(fù)雜系統(tǒng)時(shí)存在模型簡(jiǎn)單和成本高的問(wèn)題,無(wú)法在多物理場(chǎng)耦合下精準(zhǔn)捕捉顯微組織演化并進(jìn)行全局尋優(yōu)，導(dǎo)致研發(fā)過(guò)程高度依賴經(jīng)驗(yàn)，面臨周期長(zhǎng)、成本高和效率低的瓶頸 [2]，難以滿足未來(lái)極端環(huán)境應(yīng)用場(chǎng)景對(duì)高性能鈦基材料快速迭代與定制設(shè)計(jì)的迫切需求。

人工智能(artificial intelligence,AI)的快速發(fā)展從根本上破解高性能鈦基材料的研發(fā)困局并掀起顛覆性范式革命 [3],其以強(qiáng)大的高維非線性函數(shù)處理、復(fù)雜模式識(shí)別與全局優(yōu)化能力，為連接微觀機(jī)理與宏觀工程性能開辟新的技術(shù)途徑。這場(chǎng)變革的核心在于構(gòu)建一個(gè)數(shù)據(jù)密集、物理信息增強(qiáng)、機(jī)器人驅(qū)動(dòng)的自動(dòng)化實(shí)驗(yàn)閉環(huán)為主要模式的智能增強(qiáng)系統(tǒng)。AI正驅(qū)動(dòng)研發(fā)范式從被動(dòng)的經(jīng)驗(yàn)驅(qū)動(dòng)向主動(dòng)的數(shù)據(jù)與計(jì)算雙輪驅(qū)動(dòng)、人機(jī)深度協(xié)同、虛擬與現(xiàn)實(shí)持續(xù)迭代的全新模式發(fā)生根本性躍遷。在此新范式下，AI不僅加速篩選與優(yōu)化，而且通過(guò)嵌入物理規(guī)律確保認(rèn)知科學(xué)性，并主動(dòng)探索現(xiàn)有理論與經(jīng)驗(yàn)尚未覆蓋的設(shè)計(jì)空間 [4?6]。

本文系統(tǒng)綜述AI驅(qū)動(dòng)高性能鈦基材料技術(shù)(AI+Ti)的最新研究進(jìn)展，聚焦AI如何針對(duì)該材料體系特有的復(fù)雜性提供創(chuàng)新解決方案。主要涉及AI在構(gòu)建高精度相圖-性能預(yù)測(cè)模型、實(shí)現(xiàn)性能目標(biāo)→微觀組織→成分/工藝逆向設(shè)計(jì)中的突破;在增材制造等關(guān)鍵過(guò)程中，推動(dòng)控制策略從靜態(tài)工藝窗口向動(dòng)態(tài)過(guò)程智能升級(jí)，實(shí)現(xiàn)組織與性能的主動(dòng)調(diào)控;以及構(gòu)建基于多尺度數(shù)據(jù)融合的數(shù)字孿生框架，用于服役行為的跨尺度壽命預(yù)測(cè)。在此基礎(chǔ)上，深入剖析AI+Ti領(lǐng)域面臨的核心挑戰(zhàn)，包括高質(zhì)量標(biāo)準(zhǔn)化數(shù)據(jù)生態(tài)的缺失、模型可解釋性與因果推理能力的不足、跨尺度建模與人機(jī)協(xié)同的壁壘，以及從虛擬設(shè)計(jì)到工程認(rèn)證的"最后一公里"障礙。最后，展望物理信息機(jī)器學(xué)習(xí)、自主實(shí)驗(yàn)平臺(tái)等未來(lái)發(fā)展方向，并就AI的角色定位、知識(shí)表示與人機(jī)協(xié)作模式、工程信任的建立機(jī)制等尚存爭(zhēng)議的非共識(shí)性問(wèn)題進(jìn)行前瞻性討論。

1、AI+Ti的核心方法論:面向材料復(fù)雜性的專業(yè)算法與數(shù)據(jù)策略

在高性能鈦基材料這一研究領(lǐng)域，AI+Ti是建立在一套嚴(yán)謹(jǐn)且可復(fù)現(xiàn)的系統(tǒng)性方法論之上。該方法論以破解材料復(fù)雜性與實(shí)現(xiàn)材料素化為根本出發(fā)點(diǎn)，通過(guò)標(biāo)準(zhǔn)化人工智能工作流程作為框架，精準(zhǔn)匹配并部署一系列專業(yè)化研發(fā)范式與智能算法，以解決小樣本高成本、物理可解釋性、工藝路徑序列決策等核心挑戰(zhàn)，旨在通過(guò)簡(jiǎn)化設(shè)計(jì)過(guò)程與優(yōu)化材料使用，實(shí)現(xiàn)結(jié)構(gòu)性能與工程實(shí)用的平衡。

從方法論角度看，材料智能設(shè)計(jì)通常需要根據(jù)研究目標(biāo)、數(shù)據(jù)規(guī)模及問(wèn)題復(fù)雜程度，選擇合適的算法框架。隨著材料問(wèn)題復(fù)雜度不斷提升，集成學(xué)習(xí)、多模型融合、物理信息機(jī)器學(xué)習(xí)等方法也逐漸成為提升預(yù)測(cè)可靠性與可解釋性的重要技術(shù)途徑。鑒于不同人工智能算法在數(shù)據(jù)需求、建模能力及適用任務(wù)方面存在明顯差異，對(duì)其適用邊界及優(yōu)勢(shì)進(jìn)行系統(tǒng)比較具有重要意義。因此，表1對(duì)當(dāng)前材料設(shè)計(jì)研究中常見(jiàn)的AI算法類型及其核心優(yōu)勢(shì)、局限性以及典型應(yīng)用場(chǎng)景進(jìn)行歸納總結(jié) [7?14],為后續(xù)鈦基材料智能設(shè)計(jì)的算法選擇與方法集成提供參考。

表 1 AI 算法適用邊界與優(yōu)劣勢(shì)對(duì)比

1.1　應(yīng)對(duì)小樣本高成本:主動(dòng)學(xué)習(xí)范式與多尺度數(shù)據(jù)融合策略

高性能鈦合金的實(shí)驗(yàn)驗(yàn)證周期漫長(zhǎng),導(dǎo)致可用于訓(xùn)練AI模型的高質(zhì)量數(shù)據(jù)集規(guī)模有限。因此，面臨典型的小樣本困境。針對(duì)這一問(wèn)題,AI+Ti發(fā)展出以主動(dòng)學(xué)習(xí)(active learning,AL)為核心且深度融合多尺度計(jì)算模擬數(shù)據(jù)的綜合策略，利用具備不確定性量化能力的代理模型如高斯過(guò)程(Gaussian process,GP)指導(dǎo)高價(jià)值實(shí)驗(yàn)。其基本原理為基于少量初始數(shù)據(jù)訓(xùn)練一個(gè)GP模型,在整個(gè)設(shè)計(jì)空間中計(jì)算每個(gè)未標(biāo)注點(diǎn)的獲取函數(shù)來(lái)權(quán)衡探索高不確定性區(qū)域與當(dāng)前最優(yōu)區(qū)域，從而智能推薦下一個(gè)最具信息價(jià)值的實(shí)驗(yàn)點(diǎn)并進(jìn)行迭代實(shí)驗(yàn)。隨后將新獲得的實(shí)驗(yàn)數(shù)據(jù)結(jié)構(gòu)化處理后回注至數(shù)據(jù)庫(kù)中用于模型再訓(xùn)練，這一選擇-標(biāo)注-學(xué)習(xí)的循環(huán)模式能以最少的實(shí)驗(yàn)成本高效逼近全局最優(yōu)解。此外，為了從根本上擴(kuò)充數(shù)據(jù)源，AI+Ti積極踐行多尺度數(shù)據(jù)融合策略。在數(shù)據(jù)收集環(huán)節(jié)中，數(shù)據(jù)來(lái)源形成一個(gè)從微觀到宏觀的完整譜系:以內(nèi)部實(shí)驗(yàn)數(shù)據(jù)庫(kù)提供的宏觀性能與微觀組織/結(jié)構(gòu)表征為基礎(chǔ)，同時(shí)利用計(jì)算模擬數(shù)據(jù)作為強(qiáng)大的虛擬補(bǔ)充，形成一個(gè)從微觀到宏觀的完整集合。這些多模態(tài)、多尺度的數(shù)據(jù)經(jīng)過(guò)嚴(yán)格的預(yù)處理與特征工程后，共同構(gòu)建信息密度遠(yuǎn)超傳統(tǒng)實(shí)驗(yàn)的復(fù)合數(shù)據(jù)集，為AI模型提供有力支撐。

1.2　保障物理可解釋性:物理信息增強(qiáng)范式下的機(jī)理驅(qū)動(dòng)建模

單一數(shù)據(jù)驅(qū)動(dòng)的AI模型雖然表現(xiàn)出較高的預(yù)測(cè)精度，但其固有的黑箱特性極易導(dǎo)致預(yù)測(cè)結(jié)果違背熱力學(xué)定律、晶體學(xué)取向關(guān)系或相平衡等基本原理。這種不可解釋性和潛在的物理不一致性嚴(yán)重阻礙AI在工程場(chǎng)景(如航空發(fā)動(dòng)機(jī))具有高可靠性要求的應(yīng)用。為解決上述問(wèn)題，AI+Ti將專業(yè)領(lǐng)域知識(shí)作為硬性或軟性約束嵌入模型架構(gòu)和訓(xùn)練過(guò)程中，利用物理信息增強(qiáng)研發(fā)范式確保預(yù)測(cè)結(jié)果在擁有高精度的同時(shí)具備堅(jiān)實(shí)的物理根基與可解釋性。該范式的核心是構(gòu)建一種數(shù)據(jù)+物理的雙驅(qū)動(dòng)策略，全面重塑優(yōu)化了從特征工程到模型選擇再到訓(xùn)練優(yōu)化的智能化過(guò)程。

在正向設(shè)計(jì)層面，即從給定的鈦基材料成分/工藝預(yù)測(cè)組織性能，物理信息增強(qiáng)引導(dǎo)的特征工程使研究者不再局限于原始化學(xué)成分，即使是針對(duì)可解釋性分析與機(jī)理挖掘也可輔以可解釋AI工具進(jìn)行后驗(yàn)分析。這不僅能驗(yàn)證模型決策是否符合已知的冶金規(guī)律，更能揭示傳統(tǒng)方法難以發(fā)現(xiàn)的高維非線性關(guān)系，從而為新材料設(shè)計(jì)提供新的科學(xué)路徑。逆向設(shè)計(jì)能夠針對(duì)特定的目標(biāo)性能反向求解最優(yōu)成分/工藝，此時(shí)將物理信息增強(qiáng)耦合其中則可構(gòu)建出一種更為嚴(yán)謹(jǐn)?shù)拇砟Ｐ汀Ｔ撃Ｐ驮谟?xùn)練階段通過(guò)在損失函數(shù)中引入物理殘差項(xiàng)(如位錯(cuò)密度演化方程、相變動(dòng)力學(xué)方程等)或熱力學(xué)穩(wěn)定性條件來(lái)確保其在整個(gè)輸入空間內(nèi)的預(yù)測(cè)都滿足基本物理規(guī)律，避免在逆向搜索中進(jìn)行無(wú)效探索，極大提升設(shè)計(jì)效率。

1.3　優(yōu)化工藝路徑序列決策:貝葉斯優(yōu)化與強(qiáng)化學(xué)習(xí)范式

除凝固微觀組織與結(jié)構(gòu)外,鈦合金的最終性能還由復(fù)雜的熱機(jī)械處理(如多火次鍛造、階梯式熱處理等)決定，這本質(zhì)上是一個(gè)多階段、序列化的決策優(yōu)化問(wèn)題。AI+Ti通過(guò)貝葉斯優(yōu)化(Bayesian optimization,BO)與強(qiáng)化學(xué)習(xí)(reinforcement learning,RL)兩種方式，為解決此類問(wèn)題提供了方案。

貝葉斯優(yōu)化在利用函數(shù)進(jìn)行全局優(yōu)化時(shí)展現(xiàn)出突出的數(shù)據(jù)高效性,成為優(yōu)化復(fù)雜熱處理工藝的首選方法。其核心在于構(gòu)建一個(gè)概率代理模型(通常為GP),將多道次工藝參數(shù)(溫度、時(shí)間、冷卻速率等)設(shè)定為輸入變量,將目標(biāo)性能(如強(qiáng)韌性)設(shè)定為輸出變量,不僅能預(yù)測(cè)性能,還可以通過(guò)獲取函數(shù)探索與量化不確定性區(qū)域,以極少的實(shí)驗(yàn)迭代次數(shù)找到最優(yōu)的工藝窗口，較為契合小樣本、高成本的場(chǎng)景。

對(duì)于需要實(shí)時(shí)動(dòng)態(tài)反饋的先進(jìn)制造過(guò)程(如激光增材制造),強(qiáng)化學(xué)習(xí)范式則更為適用。RL將制造過(guò)程建模為馬爾可夫決策過(guò)程，其中智能體依據(jù)熔池動(dòng)態(tài)圖像、熱成像等實(shí)時(shí)信號(hào)，動(dòng)態(tài)調(diào)整激光功率、掃描速率等參數(shù)，以最大化長(zhǎng)期累積獎(jiǎng)勵(lì)(如構(gòu)件致密度、無(wú)缺陷率等),通過(guò)與環(huán)境(即制造設(shè)備)的持續(xù)交互來(lái)學(xué)習(xí)最優(yōu)控制策略。這實(shí)現(xiàn)了從靜態(tài)開環(huán)工藝到動(dòng)態(tài)閉環(huán)智能調(diào)控的根本轉(zhuǎn)變,是AI驅(qū)動(dòng)智能制造的最高體現(xiàn)。

AI+Ti核心方法論是以材料復(fù)雜性的深度解析與素化策略的智能構(gòu)建為根本導(dǎo)向,將AI的通用原理內(nèi)化于標(biāo)準(zhǔn)化工作流程之中,并外顯為一系列目標(biāo)明確、邏輯自洽的研發(fā)范式，使其統(tǒng)一成有機(jī)整體。通過(guò)這種深度融合,AI+Ti將升維為一場(chǎng)深刻理解并最終駕馭鈦基材料的認(rèn)知與范式變革。

2、設(shè)計(jì)變革:從相圖導(dǎo)航到性能定制的逆向工程

2.1　高維相空間探索與性能邊界預(yù)測(cè)

相穩(wěn)定性是決定多元鈦合金綜合性能的關(guān)鍵基礎(chǔ),然而隨著合金元素種類的增加,因熱力學(xué)數(shù)據(jù)缺失或交互參數(shù)難以精確擬合,傳統(tǒng)CALPHAD方法面臨在高維成分空間中進(jìn)行全局相圖掃描的巨大挑戰(zhàn)。與此同時(shí)，經(jīng)驗(yàn)性的當(dāng)量規(guī)則雖然簡(jiǎn)潔，但其線性加權(quán)形式難以捕捉元素間高階非線性交互效應(yīng)，尤其在成分邊界區(qū)域極易失效。

圖神經(jīng)網(wǎng)絡(luò)(graph neural network,GNN)是一種能夠處理圖結(jié)構(gòu)數(shù)據(jù)的AI模型,通過(guò)將合金體系建模為復(fù)雜的關(guān)聯(lián)系統(tǒng)而非簡(jiǎn)單的組元疊加，不僅擺脫了CALPHAD方法中熱力學(xué)交互參數(shù)缺失的限制，而且利用神經(jīng)網(wǎng)絡(luò)的非線性萬(wàn)能逼近特性，彌補(bǔ)了當(dāng)量規(guī)則無(wú)法描述復(fù)雜化學(xué)環(huán)境效應(yīng)的缺陷。在數(shù)據(jù)收集過(guò)程中研究者可構(gòu)建一個(gè)包含數(shù)萬(wàn)乃至數(shù)十萬(wàn)虛擬合金的數(shù)據(jù)集，其中每個(gè)合金的原子結(jié)構(gòu)被編碼為一個(gè)圖(節(jié)點(diǎn)代表原子，邊代表原子間相互作用) [15],其標(biāo)簽來(lái)自第一性原理計(jì)算的形成能、混合能或能量差。通過(guò)在該數(shù)據(jù)集上訓(xùn)練GNN模型，能夠直接從原子尺度的幾何與電子結(jié)構(gòu)特征中學(xué)習(xí)并泛化出復(fù)雜的相穩(wěn)定性判據(jù)。相較于經(jīng)驗(yàn)規(guī)則，GNN模型不僅能更準(zhǔn)確地預(yù)測(cè)任意多元成分下的相組成，更能揭示隱藏在數(shù)據(jù)背后、超越線性疊加的物理機(jī)制。Schmidt等的研究工作為此提供了應(yīng)用案例，通過(guò)大規(guī)模DFT計(jì)算構(gòu)建包含近10億種無(wú)機(jī)化合物(涵蓋大量鈦基體系)的虛擬材料庫(kù),并利用晶體圖注意力網(wǎng)絡(luò)進(jìn)行訓(xùn)練。該GNN直接將未弛豫的晶體結(jié)構(gòu)編碼為原子圖,以DFT計(jì)算的形成能為標(biāo)簽,成功實(shí)現(xiàn)對(duì)任意多元成分下熱力學(xué)穩(wěn)定性的高精度預(yù)測(cè)(圖1)。不僅如此,在通過(guò)補(bǔ)充計(jì)算平衡化學(xué)元素與結(jié)構(gòu)分布后，該模型展現(xiàn)出前所未有的泛化能力，在訓(xùn)練稀疏數(shù)據(jù)時(shí)亦可精準(zhǔn)預(yù)測(cè)相穩(wěn)定性，有效解決傳統(tǒng)方法高維數(shù)據(jù)稀疏性導(dǎo)致的性能衰退問(wèn)題。

AI模型可有效探測(cè)性能衰減的臨界閾值，即在成分或工藝參數(shù)的連續(xù)微小變化下，材料宏觀性能發(fā)生突發(fā)性、不連續(xù)的驟降。這類現(xiàn)象通常源于微觀組織的突變,例如  ω相的脆性析出或晶界  α相的連續(xù)網(wǎng)狀分布。傳統(tǒng)實(shí)驗(yàn)或模擬方法因其離散采樣特性，極易遺漏這些狹窄但對(duì)性能具有顯著影響的臨界區(qū)域，而訓(xùn)練良好的AI代理模型(如極端梯度提升(extreme gradient boosting,XGBoost)或物理信息神經(jīng)網(wǎng)絡(luò)(physics-informed neural networks,PINN))可以在整個(gè)高維設(shè)計(jì)空間內(nèi)進(jìn)行連續(xù)、高效地虛擬掃描，通過(guò)分析模型輸出的梯度或不確定性，自動(dòng)識(shí)別對(duì)性能變化極度敏感的參數(shù)區(qū)域，即性能臨界閾值的邊界。本研究團(tuán)隊(duì)利用這一優(yōu)勢(shì)，構(gòu)建了基于XGBoost的代理模型并耦合遺傳算法，在Ti-V-Cr-Al-Mo-Nb-Si-C八元空間中進(jìn)行高通量逆向設(shè)計(jì)。該模型不僅成功篩選出抗氧化性提升42%的最優(yōu)成分(TF600)，而且更重要的是通過(guò)分析模型決策邊界與SHAP值，主動(dòng)規(guī)避可能導(dǎo)致室溫脆性的臨界成分區(qū)域。這說(shuō)明AI代理模型能在整個(gè)高維空間內(nèi)進(jìn)行連續(xù)、高效地虛擬掃描，其高預(yù)測(cè)精度(決定系數(shù)R2=0.98)確保對(duì)敏感區(qū)域的可靠識(shí)別。

AI并非要完全取代CALPHAD或經(jīng)驗(yàn)規(guī)則，而是與之形成一種協(xié)同增強(qiáng)的關(guān)系。Chai等將d電子理論中的Bo/Md等經(jīng)驗(yàn)參數(shù)作為關(guān)鍵輸入特征，并將β相穩(wěn)定區(qū)作為遺傳算法搜索的硬性約束，體現(xiàn)了經(jīng)驗(yàn)規(guī)則對(duì)AI搜索方向的有效引導(dǎo)。在這種融合范式下，CALPHAD和DFT為AI提供物理根基，經(jīng)驗(yàn)規(guī)則提供工程先驗(yàn)，而AI賦予研究人員在前所未有的高維空間中安全、高效航行的能力，真正實(shí)現(xiàn)從被動(dòng)遵循相圖規(guī)律到主動(dòng)駕馭復(fù)雜性能空間的根本轉(zhuǎn)變 [7]。

2.2　分子原子尺度智能引擎:高精度模擬的基石與多體系拓展

鈦合金分子動(dòng)力學(xué)(molecular dynamics,MD)計(jì)算技術(shù)已得到廣泛應(yīng)用 [19],但傳統(tǒng)經(jīng)驗(yàn)的原子間勢(shì)在描述其復(fù)雜的多相行為、成分敏感性及缺陷響應(yīng)等方面存在明顯不足，嚴(yán)重制約原子尺度模擬的預(yù)測(cè)能力與適用范圍。機(jī)器學(xué)習(xí)原子間勢(shì)(machine learning interatomic potentials, MLIPs)的出現(xiàn)提供了突破性路徑 [20?22]。MLIPs通過(guò)從高精度量子力學(xué)計(jì)算(如DFT)生成的大規(guī)模數(shù)據(jù)集中學(xué)習(xí)原子間相互作用，能夠在接近DFT精度的同時(shí)實(shí)現(xiàn)數(shù)個(gè)數(shù)量級(jí)的計(jì)算加速，從而支撐大規(guī)模、長(zhǎng)時(shí)間、多組分的MD模擬 [23],為鈦基材料性能定制化設(shè)計(jì)奠定分子級(jí)模擬基礎(chǔ)。當(dāng)前鈦合金MLIPs的研究已系統(tǒng)覆蓋多個(gè)關(guān)鍵合金體系，在多相與多組分體系方面，Allen等 [24]構(gòu)建包含純Ti及Ti-6Al-4V合金的α相、β相和液相乃至α″相的綜合DFT數(shù)據(jù)集，提供總能量、力、應(yīng)力等關(guān)鍵物理量，為開發(fā)統(tǒng)一描述多相行為的MLIPs奠定基礎(chǔ)(圖2)。

在鈦鋁系金屬間化合物這類高溫關(guān)鍵結(jié)構(gòu)材料體系中，MLIPs的應(yīng)用已由基礎(chǔ)晶格性質(zhì)預(yù)測(cè)進(jìn)一步深入復(fù)雜缺陷動(dòng)力學(xué)與相變過(guò)程的模擬。針對(duì)鈦鋁合金塑性變形與失效機(jī)制,Qi等 [25]利用矩張量勢(shì)(moment tensor potential,MTP)成功構(gòu)建能夠精確描述L1?-TiAl相與D0??-Ti?Al相的原子間勢(shì)函數(shù)。該模型不僅能夠準(zhǔn)確復(fù)現(xiàn)材料的基本彈性性質(zhì)，還能夠在原子尺度上刻畫位錯(cuò)核心結(jié)構(gòu)、位錯(cuò)滑移路徑以及裂紋尖端的斷裂行為，從而揭示傳統(tǒng)經(jīng)驗(yàn)勢(shì)難以捕捉的復(fù)雜鍵合方向?qū)αW(xué)響應(yīng)的影響，為理解鈦鋁合金室溫脆性及高溫蠕變機(jī)制提供重要的理論依據(jù)。

在凝固與相變動(dòng)力學(xué)研究方面，Zhai等 [26]基于深度神經(jīng)網(wǎng)絡(luò)開發(fā)的液態(tài)鈦鋁二元合金專用勢(shì)函數(shù)，實(shí)現(xiàn)對(duì)液相結(jié)構(gòu)及成核過(guò)程的高精度模擬。該勢(shì)函數(shù)有效克服傳統(tǒng)經(jīng)驗(yàn)勢(shì)在描述液態(tài)無(wú)序結(jié)構(gòu)及固液界面轉(zhuǎn)變過(guò)程中的精度瓶頸，可以準(zhǔn)確預(yù)測(cè)不同過(guò)冷度條件下的成核速率與臨界晶核尺寸，為優(yōu)化鈦鋁合金增材制造過(guò)程的凝固組織調(diào)控及晶粒細(xì)化提供關(guān)鍵模擬工具。

針對(duì)面向更復(fù)雜的工程應(yīng)用，通過(guò)對(duì)三元Ti-Al-Nb體系的系統(tǒng)比較研究表明，無(wú)論是矩張量勢(shì)還是深度學(xué)習(xí)勢(shì)函數(shù)，均能夠在較大成分空間內(nèi)保持良好的預(yù)測(cè)精度，其訓(xùn)練數(shù)據(jù)集不僅涵蓋塊體金屬和金屬間化合物結(jié)構(gòu)，而且進(jìn)一步擴(kuò)展至板狀構(gòu)型、非晶結(jié)構(gòu)以及多種缺陷構(gòu)型，從而顯著提升模型對(duì)復(fù)雜原子環(huán)境的描述能力。Chandran等 [27]通過(guò)系統(tǒng)評(píng)估不同模型架構(gòu)在描述三元固溶體、金屬間化合物及缺陷形成能方面的表現(xiàn)，證實(shí)MLIPs在多組元鈦鋁基高溫合金體系中的良好泛化能力。在此基礎(chǔ)上，進(jìn)一步比較被動(dòng)學(xué)習(xí)與主動(dòng)學(xué)習(xí)策略在勢(shì)函數(shù)訓(xùn)練中的效果，結(jié)果表明主動(dòng)學(xué)習(xí)能夠通過(guò)迭代篩選高信息量構(gòu)型，顯著提升勢(shì)函數(shù)在未知構(gòu)型區(qū)域的預(yù)測(cè)能力，同時(shí)減少訓(xùn)練數(shù)據(jù)規(guī)模并提高數(shù)據(jù)利用效率 [28]。上述研究表明，結(jié)合高精度深度學(xué)習(xí)勢(shì)函數(shù)與主動(dòng)學(xué)習(xí)策略，MLIPs已能夠在復(fù)雜多組元體系中實(shí)現(xiàn)穩(wěn)定可靠的性能預(yù)測(cè)，為探索兼具高強(qiáng)度、高韌性與優(yōu)異抗氧化性能的新型Ti-Al-Nb高溫合金提供重要的原子尺度模擬工具,并為高溫結(jié)構(gòu)材料的計(jì)算驅(qū)動(dòng)設(shè)計(jì)奠定基礎(chǔ)。

除結(jié)構(gòu)材料體系外，MLIPs在其他功能型鈦合金中同樣展現(xiàn)出廣闊的應(yīng)用前景。在生物醫(yī)用領(lǐng)域,低模量Ti-Nb-Zr合金因動(dòng)態(tài)不穩(wěn)定性而備受關(guān)注，MLIPs已被用于模擬其有限溫度下的彈性性能，為合金化與熱處理調(diào)控提供依據(jù) [29]。在耐蝕與高溫應(yīng)用方面,Li等 [30]提出普適性深度學(xué)習(xí)勢(shì)函數(shù)研究Ti-Pt合金的多尺度結(jié)構(gòu)與熱力學(xué)行為。面向新一代高熵合金，MLIPs顯著加速對(duì)其彈性性能、力學(xué)性能及位錯(cuò)滑移行為的模擬 [31]，未來(lái)還將結(jié)合實(shí)驗(yàn)探索短時(shí)氧化等復(fù)雜過(guò)程 [32]。

在微觀性能預(yù)測(cè)能力方面，MLIPs顯著突破傳統(tǒng)實(shí)驗(yàn)與模擬的邊界。Shen等 [33]基于矩張量勢(shì)構(gòu)建鈦合金MLIPs,通過(guò)MD模擬分析預(yù)裂紋在特定晶面上的擴(kuò)展機(jī)制，為理解斷裂行為提供原子級(jí)認(rèn)知。在腐蝕領(lǐng)域，相場(chǎng)模型已成功模擬溶解驅(qū)動(dòng)的應(yīng)力腐蝕開裂，為未來(lái)耦合MLIPs開展分子尺度驗(yàn)證鋪平道路。在熱輸運(yùn)方面，Qanbarian等 [34]利用ML-MD揭示錐形納米結(jié)構(gòu)對(duì)熱傳導(dǎo)效率的增強(qiáng)效應(yīng),表明MLIPs在熱力學(xué)性質(zhì)模擬中潛力巨大。Cho等 [35]結(jié)合MLIPs與MD方法，精確刻畫金屬界面黏附特性，為微納器件可靠性設(shè)計(jì)提供關(guān)鍵支撐。

在模型架構(gòu)與訓(xùn)練方法方面，高斯近似勢(shì)(Gaussian approximation potential,GAP)、深度勢(shì)(deep potential,DP)和矩張量勢(shì)已成為主流。GAP憑借對(duì)復(fù)雜勢(shì)能面(包括磁性)的良好表達(dá)能力被廣泛采用，其數(shù)據(jù)庫(kù)包含約15萬(wàn)個(gè)局部原子環(huán)境;Wen等 [36]通過(guò)專用神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)提升DP在鈦合金力學(xué)響應(yīng)預(yù)測(cè)中的準(zhǔn)確性;MTP在捕捉Ti-Al合金復(fù)雜相行為中表現(xiàn)突出。訓(xùn)練策略方面，人工神經(jīng)網(wǎng)絡(luò)勢(shì)(artificial neural network potential,NNP)已用于預(yù)測(cè)Ti-Al系相圖，彌補(bǔ)傳統(tǒng)勢(shì)函數(shù)的精度缺陷 [37];GNN通過(guò)消息傳遞機(jī)制自動(dòng)學(xué)習(xí)最優(yōu)原子環(huán)境特征，擺脫手工描述符依賴;AL通過(guò)量化模型不確定性智能篩選訓(xùn)練構(gòu)型，大幅提升數(shù)據(jù)效率，已成功應(yīng)用于鈦合金MLIPs開發(fā) [38]。此外，Lin等 [39]提出面向脆性材料延伸缺陷的專用訓(xùn)練策略，也為鈦合金MLIPs優(yōu)化提供新思路。

2.3　微觀組織工程的逆向設(shè)計(jì):從性能目標(biāo)到組織藍(lán)圖

由于鈦基材料的宏觀性能與其復(fù)雜的微觀結(jié)構(gòu)之間存在高度非線性的復(fù)雜映射關(guān)系 [40],人工智能在鈦基材料微觀組織性能優(yōu)化方面的圖像應(yīng)用已成為材料科學(xué)領(lǐng)域一個(gè)充滿活力的研究熱點(diǎn)。隨著顯微鏡技術(shù)和深度學(xué)習(xí)技術(shù)的飛速發(fā)展，基于圖像分析的人工智能方法為加速鈦基材料微觀結(jié)構(gòu)表征、性能預(yù)測(cè)和優(yōu)化設(shè)計(jì)開辟新途徑 [41]。研究表明，利用生成式AI與計(jì)算機(jī)視覺(jué)技術(shù)，不僅可以實(shí)現(xiàn)組織形貌的自動(dòng)量化表征，而且能在增材制造等復(fù)雜工藝中發(fā)現(xiàn)傳統(tǒng)方法難以觸及的全新工藝窗口,最終實(shí)現(xiàn)材料從宏觀性能目標(biāo)到理想微觀組織的智能化逆向設(shè)計(jì)與精確預(yù)測(cè) [42?44]。

深度學(xué)習(xí)模型是一類基于多層人工神經(jīng)網(wǎng)絡(luò)(尤其是卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network,CNN))的機(jī)器學(xué)習(xí)方法,能夠直接從原始顯微圖像中自動(dòng)學(xué)習(xí)并精準(zhǔn)捕捉晶粒、相界、片層等復(fù)雜微觀特征，無(wú)需預(yù)設(shè)閾值或形態(tài)學(xué)規(guī)則 [45]。Pan等 [46]針對(duì)選擇性激光熔化(selective laser melting,SLM)成形Ti-6Al-4V合金的缺陷檢測(cè)難題，構(gòu)建了一個(gè)基于深度卷積神經(jīng)網(wǎng)絡(luò)(deep convolutional neural network,DCNN)的語(yǔ)義分割模型。他們首先指出傳統(tǒng)Otsu、Kittler等閾值分割方法因主觀性強(qiáng)而難以區(qū)分孔隙與未熔合缺陷的局限性。通過(guò)訓(xùn)練DCNN模型，該工作成功實(shí)現(xiàn)對(duì)這兩種關(guān)鍵缺陷的自動(dòng)、高精度分割,并以此為基礎(chǔ)建立缺陷特征與疲勞壽命的定量關(guān)系，為增材制造構(gòu)件的可靠性評(píng)估提供客觀依據(jù)。Fotos等 [47]采用通用金相圖像的晶粒分割，挑戰(zhàn)傳統(tǒng)分水嶺算法因圖像噪聲和強(qiáng)度不均導(dǎo)致的過(guò)分割問(wèn)題，提出一種將深度學(xué)習(xí)自動(dòng)提取能力與經(jīng)典算法相結(jié)合的創(chuàng)新邊界類語(yǔ)義分割增強(qiáng)型分水嶺算法，顯著提升晶粒分割的準(zhǔn)確性和魯棒性。

深度學(xué)習(xí)在圖像分割和分類任務(wù)上表現(xiàn)卓越，為微觀組織的自動(dòng)化、高通量定量分析提供方法。Liu等 [48]通過(guò)融合高通量實(shí)驗(yàn)與機(jī)器學(xué)習(xí)，揭示TC18鈦合金熱加工過(guò)程對(duì)微觀組織的影響(圖3)。利用雙錐試樣結(jié)合大區(qū)域拼接(large area mapping,LAM)技術(shù)，一次性獲得涵蓋梯度應(yīng)變和不同熱處理?xiàng)l件的海量微觀組織數(shù)據(jù)(共5720張掃描電子顯微鏡(scanning electron microscope,SEM)圖像)。隨后通過(guò)ImageJ軟件批量提取α相含量和球化率等特征，并采用PSO-KNN算法構(gòu)建熱加工參數(shù)(變形溫度、應(yīng)變和固溶溫度)與微觀組織演變之間的高精度預(yù)測(cè)模型。這項(xiàng)工作展示了如何利用AI處理高通量實(shí)驗(yàn)產(chǎn)生的大數(shù)據(jù)，實(shí)現(xiàn)對(duì)復(fù)雜熱-力耦合過(guò)程中組織演變的高效和客觀量化。

除了基于圖像特征直接進(jìn)行組織識(shí)別與預(yù)測(cè)外，近年來(lái)研究人員開始將統(tǒng)計(jì)學(xué)微觀結(jié)構(gòu)表征方法與機(jī)器學(xué)習(xí)模型相結(jié)合，以建立更加具有物理意義的結(jié)構(gòu)-性能關(guān)聯(lián)模型。Hao等 [49]提出一種微觀結(jié)構(gòu)信息驅(qū)動(dòng)的機(jī)器學(xué)習(xí)框架，用于預(yù)測(cè)SiC/Ti鈦基復(fù)合材料極限抗拉強(qiáng)度。首先通過(guò)有限元模擬生成大量具有隨機(jī)微觀結(jié)構(gòu)特征的代表性體元數(shù)據(jù),利用兩點(diǎn)相關(guān)函數(shù)對(duì)微觀結(jié)構(gòu)進(jìn)行統(tǒng)計(jì)量化表征，再通過(guò)主成分分析實(shí)現(xiàn)降維處理，最終采用支持向量回歸模型建立微觀結(jié)構(gòu)特征與宏觀力學(xué)性能之間的映射關(guān)系。結(jié)果表明，該模型在極限抗拉強(qiáng)度預(yù)測(cè)中具有較高精度，大部分預(yù)測(cè)結(jié)果誤差控制在±1%范圍內(nèi)，并能夠識(shí)別纖維體積分?jǐn)?shù)和空間分布等關(guān)鍵微觀結(jié)構(gòu)參數(shù)對(duì)性能的主導(dǎo)作用，從而為建立可靠的"微觀結(jié)構(gòu)-性能"關(guān)聯(lián)關(guān)系提供新的數(shù)據(jù)驅(qū)動(dòng)路徑。

上述研究為微觀組織逆向設(shè)計(jì)奠定重要基礎(chǔ)，其中生成式模型在實(shí)現(xiàn)從性能目標(biāo)到組織結(jié)構(gòu)設(shè)計(jì)的過(guò)程中發(fā)揮著關(guān)鍵作用。Zhu等 [50]以T55511鈦合金為研究對(duì)象，開創(chuàng)性地應(yīng)用去噪擴(kuò)散概率模型(denoising diffusion probabilistic models, DDPM)實(shí)現(xiàn)微觀組織的逆向生成與預(yù)測(cè)(圖4)。DDPM模型以熱處理參數(shù)為條件訓(xùn)練生成高保真度的微觀組織圖像。尤為關(guān)鍵的是，該研究引入一套嚴(yán)格的定量評(píng)價(jià)體系,利用MIPAR軟件對(duì)生成圖像和真實(shí)圖像進(jìn)行語(yǔ)義分割,對(duì)比初生  α相  (α p )和次生α相(a?)的體積分?jǐn)?shù)、主/次軸長(zhǎng)度等關(guān)鍵參數(shù)。結(jié)果表明，模型生成的組織在定量指標(biāo)上與真實(shí)樣本高度吻合,這為以特定性能目標(biāo)而設(shè)計(jì)理想微觀組織的逆向范式提供迄今為止最堅(jiān)實(shí)的實(shí)證,標(biāo)志著材料設(shè)計(jì)從試錯(cuò)邁向按需定制的重要一步。

2.4　多目標(biāo)協(xié)同優(yōu)化設(shè)計(jì):從性能權(quán)衡到性能協(xié)同的智能尋優(yōu)

高性能鈦基材料的工程應(yīng)用往往要求其在強(qiáng)度、塑性、疲勞、蠕變、彈性模量、生物相容性、成本等多個(gè)維度上達(dá)到最優(yōu)平衡。然而，這些性能指標(biāo)之間通常存在內(nèi)在矛盾與制約關(guān)系(如強(qiáng)度-塑性的倒置關(guān)系和低模量與高強(qiáng)度的沖突),使得傳統(tǒng)單目標(biāo)優(yōu)化或經(jīng)驗(yàn)試錯(cuò)法難以奏效。人工智能驅(qū)動(dòng)的多目標(biāo)優(yōu)化提供了有效的解決方案。通過(guò)在高維成分-工藝空間中系統(tǒng)性地探索帕累托最優(yōu)(Pareto optimality),AI不僅能夠揭示不同性能間的權(quán)衡關(guān)系,而且能發(fā)現(xiàn)實(shí)現(xiàn)多性能協(xié)同提升的最優(yōu)參數(shù)空間，為工程選材提供定量化設(shè)計(jì)圖譜。

Chen等 [51]針對(duì)生物醫(yī)用  β鈦合金的設(shè)計(jì)需求，巧妙地融合高通量實(shí)驗(yàn)與機(jī)器學(xué)習(xí)，實(shí)現(xiàn)多目標(biāo)協(xié)同優(yōu)化的典范(圖5)。首先基于擴(kuò)散偶技術(shù)，通過(guò)納米壓痕和電子探針微區(qū)分析對(duì)Ti-Nb-Zr-(Cr,Hf,Mo,Sn,Ta)體系進(jìn)行高通量力學(xué)與互擴(kuò)散性能表征，獲得包含1290組數(shù)據(jù)的可靠數(shù)據(jù)庫(kù)。隨后利用高斯過(guò)程回歸(Gaussian process regression, GPR)算法構(gòu)建楊氏模量、硬度和熱加工能力 3個(gè)關(guān)鍵性能的高精度預(yù)測(cè)模型。在此基礎(chǔ)上,研究人員設(shè)計(jì)一個(gè)交互式篩選循環(huán):首先篩選出楊氏模量低于63GPa的合金，再?gòu)闹羞x出硬度高于3.2GPa的合金，最后保留熱加工能力參數(shù)優(yōu)于TC4合金的候選者。通過(guò)這一多目標(biāo)、分步優(yōu)化的策略，成功地在廣闊的四元成分空間中精準(zhǔn)定位目標(biāo)合金Ti-(22±0.5)%Nb-(30±0.5)%Zr-(4±0.5)%Cr(原子分?jǐn)?shù))。經(jīng)實(shí)驗(yàn)驗(yàn)證，該合金展現(xiàn)出優(yōu)異的綜合性能:楊氏模量低至(58±4)GPa,納米硬度高達(dá)(3.4±0.2)GPa,顯微硬度高達(dá)(520±5)HV,壓縮屈服強(qiáng)度高達(dá)(1220±18)MPa,且塑性應(yīng)變超過(guò)30%。這一工作不僅成功解決生物醫(yī)用材料中強(qiáng)-韌-低模量的固有矛盾，而且展示出高通量數(shù)據(jù)+多目標(biāo)ML模型+交互式篩選這一集成范式在復(fù)雜多目標(biāo)協(xié)同優(yōu)化中的巨大潛力。

在方法體系層面，研究人員也在不斷探索更加通用的多目標(biāo)設(shè)計(jì)框架。An等構(gòu)建一個(gè)涵蓋18種合金元素和熱處理工藝參數(shù)的智能搜索空間，并建立包含397個(gè)樣本的綜合性數(shù)據(jù)集。通過(guò)系統(tǒng)評(píng)估6種經(jīng)典機(jī)器學(xué)習(xí)算法(包括支持向量機(jī)、高斯過(guò)程、神經(jīng)網(wǎng)絡(luò)、分類與回歸樹、提升樹和隨機(jī)森林)，并通過(guò)超參數(shù)優(yōu)化，最終獲得驗(yàn)證集和測(cè)試集分別達(dá)到0.95和0.93的高精度預(yù)測(cè)模型。該高精度、多輸入(成分+熱處理)-多輸出(如強(qiáng)度、塑性等)的代理模型，為后續(xù)在高維空間中進(jìn)行多目標(biāo)逆向設(shè)計(jì)提供可靠的基礎(chǔ)。

在此基礎(chǔ)上，研究人員進(jìn)一步將可解釋機(jī)器學(xué)習(xí)與多目標(biāo)優(yōu)化算法相結(jié)合，以提升模型在材料設(shè)計(jì)中的指導(dǎo)能力。Padhy等提出一種基于可解釋機(jī)器學(xué)習(xí)的鈦鋁合金集成設(shè)計(jì)框架，通過(guò)系統(tǒng)整合文獻(xiàn)數(shù)據(jù)構(gòu)建包含約1937條數(shù)據(jù)的鈦鋁合金數(shù)據(jù)庫(kù)，并建立多性能回歸模型預(yù)測(cè)屈服強(qiáng)度、抗拉強(qiáng)度、斷后伸長(zhǎng)率等關(guān)鍵力學(xué)性能。利用SHAP方法對(duì)模型進(jìn)行可解釋性分析，定量揭示不同合金元素對(duì)性能的貢獻(xiàn)規(guī)律，并進(jìn)一步結(jié)合多性能貝葉斯優(yōu)化策略，在給定成分空間內(nèi)實(shí)現(xiàn)多目標(biāo)協(xié)同優(yōu)化。通過(guò)實(shí)驗(yàn)合成與性能測(cè)試驗(yàn)證了機(jī)器學(xué)習(xí)預(yù)測(cè)合金的優(yōu)異力學(xué)性能，結(jié)果表明"可解釋機(jī)器學(xué)習(xí)+多目標(biāo)優(yōu)化"的集成設(shè)計(jì)范式能夠有效提升復(fù)雜合金體系的設(shè)計(jì)效率，為鈦鋁基高溫結(jié)構(gòu)材料的智能設(shè)計(jì)提供新思路。

除傳統(tǒng)機(jī)器學(xué)習(xí)模型外，AI在材料設(shè)計(jì)中的應(yīng)用正逐漸向更高層次的知識(shí)驅(qū)動(dòng)模式發(fā)展。Wang等提出基于大語(yǔ)言模型(large language models,LLMs)框架,利用其強(qiáng)大的自然語(yǔ)言理解和知識(shí)推理能力,從海量科學(xué)文獻(xiàn)中自動(dòng)挖掘"成分-工藝-組織-性能"之間的隱性關(guān)聯(lián)規(guī)則,并將這些知識(shí)與數(shù)值化的機(jī)器學(xué)習(xí)模型相結(jié)合(圖6)。例如,在進(jìn)行多目標(biāo)優(yōu)化時(shí),LLMs可以自動(dòng)檢索并整合特定元素組合對(duì)蠕變抗力影響的最新研究成果，或某類熱處理制度對(duì)疲勞裂紋萌生抑制作用的經(jīng)驗(yàn)法則，并將這些定性知識(shí)轉(zhuǎn)化為優(yōu)化算法的約束條件或啟發(fā)式規(guī)則。這種數(shù)據(jù)驅(qū)動(dòng)+計(jì)算驅(qū)動(dòng)的雙輪驅(qū)動(dòng)模式，有望在解決更為復(fù)雜、涉及長(zhǎng)周期服役性能(如蠕變和疲勞)的多目標(biāo)協(xié)同優(yōu)化問(wèn)題時(shí)，提供超越純數(shù)據(jù)驅(qū)動(dòng)方法的洞察力和可靠性，從而在高維設(shè)計(jì)空間中更智能、更高效地導(dǎo)航至性能協(xié)同的最優(yōu)區(qū)域。

3、制造升級(jí):從參數(shù)窗口到自適應(yīng)控制閉環(huán)

對(duì)于高性能鈦基材料而言，無(wú)論是增材制造中的快速熔凝，還是熱機(jī)械處理中的復(fù)雜變形路徑，其制造過(guò)程均呈現(xiàn)出高度的非線性、瞬態(tài)性和多物理場(chǎng)強(qiáng)耦合特征。傳統(tǒng)制造范式嚴(yán)重依賴于經(jīng)驗(yàn)總結(jié)出的安全參數(shù)窗口，即在特定設(shè)備和材料條件下，通過(guò)大量試錯(cuò)確定一組能避免宏觀缺陷的工藝參數(shù)范圍。這種方法雖具一定實(shí)用性，但本質(zhì)上是被動(dòng)、靜態(tài)且缺乏普適性的，難以應(yīng)對(duì)材料批次波動(dòng)、設(shè)備狀態(tài)不穩(wěn)定等現(xiàn)實(shí)挑戰(zhàn)，更無(wú)法實(shí)現(xiàn)對(duì)微觀組織演化的主動(dòng)、精準(zhǔn)調(diào)控。

AI的深度融入正驅(qū)動(dòng)鈦基材料高性能制造范式發(fā)生根本性改變，其核心是從依賴經(jīng)驗(yàn)的參數(shù)窗口邁向數(shù)據(jù)與模型驅(qū)動(dòng)的自適應(yīng)控制閉環(huán)。在這一范式下，制造過(guò)程被視為可感知、可診斷、可決策、可執(zhí)行的動(dòng)態(tài)系統(tǒng)。通過(guò)部署多源傳感器網(wǎng)絡(luò)對(duì)制造過(guò)程進(jìn)行全息感知,利用深度學(xué)習(xí)等AI模型對(duì)海量異構(gòu)數(shù)據(jù)進(jìn)行實(shí)時(shí)解析與狀態(tài)診斷,并基于強(qiáng)化學(xué)習(xí)等先進(jìn)算法生成最優(yōu)控制指令，最終形成感知-分析-決策-執(zhí)行的毫秒級(jí)閉環(huán)反饋。這種智能化的制造體系，不僅能有效抑制氣孔、裂紋等宏觀缺陷，而且能主動(dòng)引導(dǎo)晶粒形核與生長(zhǎng)、相變動(dòng)力學(xué)等微觀過(guò)程，實(shí)現(xiàn)按需定制的組織與性能。

3.1　增材制造的實(shí)時(shí)感知與決策智能

增材制造鈦合金與機(jī)器學(xué)習(xí)的結(jié)合已成為材料科學(xué)與先進(jìn)制造領(lǐng)域的前沿交叉方向，其核心目標(biāo)是通過(guò)數(shù)據(jù)驅(qū)動(dòng)的方法解決傳統(tǒng)試錯(cuò)法研發(fā)周期長(zhǎng)、成本高、可重復(fù)性差等瓶頸問(wèn)題。圖7為機(jī)器學(xué)習(xí)在增材制造鈦合金的全流程示意圖 56當(dāng)前研究表明，該融合技術(shù)已在工藝參數(shù)優(yōu)化、微觀結(jié)構(gòu)預(yù)測(cè)、力學(xué)性能建模、缺陷識(shí)別與控制等多個(gè)維度取得顯著進(jìn)展，并展現(xiàn)出從被動(dòng)分析向主動(dòng)智能設(shè)計(jì)演變的趨勢(shì)。

在增材制造過(guò)程中，工藝參數(shù)是影響材料質(zhì)量和性能的首要因素，因此機(jī)器學(xué)習(xí)模型被廣泛應(yīng)用于建立激光功率、掃描速率、層厚等輸入?yún)?shù)與致密度、表面粗糙度、殘余應(yīng)力等輸出質(zhì)量指標(biāo)之間的非線性映射關(guān)系，實(shí)現(xiàn)對(duì)制造過(guò)程的快速預(yù)測(cè)與優(yōu)化。例如,Maitra等 [57]采用GPR模型預(yù)測(cè)激光粉末床熔融(laser powder bed fusion,LPBF)制備Ti-6Al-4V合金的相對(duì)密度。該GPR模型的輸入為激光功率、掃描速率、層厚、掃描間距和體能量密度這5個(gè)工藝參數(shù)，輸出為相對(duì)密度。通過(guò)使用文獻(xiàn)中收集的2900個(gè)數(shù)據(jù)點(diǎn)訓(xùn)練GPR模型，根據(jù)輸入工藝參數(shù)準(zhǔn)確預(yù)測(cè)LPBF制備Ti-6Al-4V合金的相對(duì)密度(平均絕對(duì)誤差為1.12%)。Lee等以LPBF制備的TC4合金為研究對(duì)象，提出一種基于帕累托主動(dòng)學(xué)習(xí)(ParetoAL)的框架,并結(jié)合針對(duì)性實(shí)驗(yàn)驗(yàn)證，高效地探索了包含296個(gè)候選參數(shù)的龐大參數(shù)空間，從而精準(zhǔn)地確定能夠同時(shí)提升強(qiáng)度和延展性的最佳參數(shù)。與以往研究相比，采用這些優(yōu)化參數(shù)制備的TC4合金在相似的強(qiáng)度水平下表現(xiàn)出更高延展性,在相似的延展性水平下表現(xiàn)出更高強(qiáng)度。該框架通過(guò)在不顯著降低一種性能的情況下提升另一種性能,展現(xiàn)了克服強(qiáng)度和延展性之間固有權(quán)衡關(guān)系的有效性。

除工藝參數(shù)優(yōu)化外，機(jī)器學(xué)習(xí)在增材制造過(guò)程物理場(chǎng)的快速預(yù)測(cè)與實(shí)時(shí)控制方面也展現(xiàn)出重要潛力。溫度場(chǎng)是決定熔池形貌、凝固組織及殘余應(yīng)力分布的關(guān)鍵因素，傳統(tǒng)有限元模擬雖然具有較高精度，卻往往存在計(jì)算成本高、難以滿足實(shí)時(shí)預(yù)測(cè)需求的難題。針對(duì)這一問(wèn)題,Pan等 [59]提出一種結(jié)合有限元模擬與深度學(xué)習(xí)的混合建模框架，通過(guò)構(gòu)建一維卷積神經(jīng)網(wǎng)絡(luò)模型，實(shí)現(xiàn)對(duì)鈦鋁合金雙線等離子弧增材制造過(guò)程中二維溫度場(chǎng)分布的快速預(yù)測(cè)。該方法利用實(shí)驗(yàn)紅外測(cè)溫?cái)?shù)據(jù)與有限元模擬結(jié)果構(gòu)建訓(xùn)練集，并通過(guò)提取沉積路徑的一維溫度特征實(shí)現(xiàn)二維溫度場(chǎng)重構(gòu)。結(jié)果表明，該模型預(yù)測(cè)的溫度均方誤差約為0.5,峰值溫度誤差小于20℃,相對(duì)誤差低于1%，整體預(yù)測(cè)精度超過(guò)99%。同時(shí)，通過(guò)引入遷移學(xué)習(xí)策略，模型訓(xùn)練效率提高約25%。與傳統(tǒng)有限元方法相比，該模型在保持接近物理模擬精度的同時(shí)，可將計(jì)算時(shí)間由分鐘級(jí)縮短至秒級(jí)，為增材制造過(guò)程的在線預(yù)測(cè)與智能控制提供新的技術(shù)路徑。

在掌握制造過(guò)程參數(shù)及物理場(chǎng)演化規(guī)律的基礎(chǔ)上，研究重點(diǎn)進(jìn)一步拓展至材料微觀組織及其力學(xué)性能的預(yù)測(cè)，相關(guān)研究已從早期的單一屬性預(yù)測(cè)發(fā)展到構(gòu)建"成分-工藝-組織-性能"四位一體的綜合性模型。Sun等 [60]提出一種物理信息機(jī)器學(xué)習(xí)方法，將內(nèi)在物理屬性和相變動(dòng)力學(xué)融入模型中，僅用496個(gè)樣本即實(shí)現(xiàn)對(duì)亞穩(wěn)態(tài)β型鈦合金抗拉強(qiáng)度(R2=0.95)和斷后伸長(zhǎng)率(R2=0.90)的精準(zhǔn)預(yù)測(cè)，解決了傳統(tǒng)機(jī)器學(xué)習(xí)外推能力不足的問(wèn)題。Whitney等 [61]進(jìn)一步提出一個(gè)物理增強(qiáng)的機(jī)器學(xué)習(xí)代理模型，用于預(yù)測(cè)LPBF制備的Ti-6Al-4V合金部件尺度的微觀結(jié)構(gòu)演變，成功克服跨時(shí)空尺度集成和實(shí)驗(yàn)驗(yàn)證的挑戰(zhàn)。此類模型不僅能夠預(yù)測(cè)最終性能，而且能揭示不同工藝條件下晶粒形貌、織構(gòu)和相組成的演化規(guī)律，為理解各向異性等關(guān)鍵問(wèn)題提供新視角。

除材料組織與性能預(yù)測(cè)外,制造缺陷及其對(duì)服役性能的影響也是增材制造鈦合金研究的重要問(wèn)題,監(jiān)督式機(jī)器學(xué)習(xí)方法在這方面展現(xiàn)出圖像識(shí)別和模式分類的優(yōu)勢(shì)。Balamurugan等 [62]提出一種創(chuàng)新方法,結(jié)合基于表面粗糙度和內(nèi)部缺陷參數(shù)的分類模型與概率物理引導(dǎo)神經(jīng)網(wǎng)絡(luò)(probabilistic physics-guided neural network,PPgNN)2.0,預(yù)測(cè)LPBF制備Ti-6Al-4V零件的疲勞壽命，有效彌合宏觀失效與微觀缺陷之間的鴻溝。Zhu等 [63]采用多算法集成的Auto_Gluon方法預(yù)測(cè)航空發(fā)動(dòng)機(jī)用TC17鈦合金高周疲勞壽命，其預(yù)測(cè)性能優(yōu)于常用的隨機(jī)森林和支持向量回歸模型，顯示出集成學(xué)習(xí)在處理復(fù)雜疲勞數(shù)據(jù)方面的優(yōu)勢(shì)。

3.2　熱機(jī)械處理的全局路徑優(yōu)化

傳統(tǒng)工藝設(shè)計(jì)常將鍛造、軋制與多級(jí)熱處理割裂優(yōu)化，難以實(shí)現(xiàn)全局性能協(xié)同提升。新范式主張將復(fù)雜的熱機(jī)械處理路徑，包括變形溫度、應(yīng)變速率、退火及最終時(shí)效參數(shù)視為一個(gè)高維、連續(xù)的決策序列,并借助先進(jìn)人工智能方法進(jìn)行端到端的全局尋優(yōu)。Li等 [64]構(gòu)建一個(gè)自適應(yīng)的機(jī)器學(xué)習(xí)-遺傳算法(genetic algorithm,GA)-有限元法(finite element method,FEM)框架(圖8(a))。該框架并非孤立地優(yōu)化單一參數(shù)，而是通過(guò)多層感知機(jī)(multilayer perceptron,MLP)將 Johnson-Cook(JC)本構(gòu)模型的關(guān)鍵參數(shù)(A、B、n、C、D?~D?)與材料的宏觀力學(xué)性能(如抗拉強(qiáng)度、沖擊功等)進(jìn)行映射,并嵌入GA的優(yōu)化循環(huán)中。FEM仿真作為物理驗(yàn)證器，對(duì)每一代候選參數(shù)集進(jìn)行正向模擬，其結(jié)果又反饋用于修正MLP預(yù)測(cè)，該過(guò)程實(shí)現(xiàn)從目標(biāo)性能到完整本構(gòu)參數(shù)的逆向全局優(yōu)化。

Zhang等 [65]展示如何利用機(jī)器學(xué)習(xí)模型指導(dǎo)熱加工窗口的全局選擇(圖8(b))。一方面，構(gòu)建基于麻雀搜索算法優(yōu)化的反向傳播(sparrow search algorithm-back propagation,SSA-BP)神經(jīng)網(wǎng)絡(luò)代理模型，實(shí)現(xiàn)流變應(yīng)力的可靠預(yù)測(cè);另一方面，依托于該模型進(jìn)一步繪制三維熱加工圖。該圖譜能夠綜合呈現(xiàn)材料在不同溫度與應(yīng)變速率組合下的能量耗散效率η及流變失穩(wěn)判據(jù)ξ，進(jìn)而在全局范圍內(nèi)快速識(shí)別適用于動(dòng)態(tài)再結(jié)晶的理想工藝窗口。

Hu等 [66]指出傳統(tǒng)的 Arrhenius型唯象模型因依賴線性回歸，在捕捉熱變形過(guò)程中動(dòng)態(tài)回復(fù)與動(dòng)態(tài)再結(jié)晶之間復(fù)雜的非線性競(jìng)爭(zhēng)關(guān)系時(shí)存在局限。相比之下，提出的機(jī)器學(xué)習(xí)-輔助(machine learning-assisted,M-A)模型能更準(zhǔn)確地復(fù)現(xiàn)流變曲線中的多階段硬化/軟化特征(圖8(c))。這一能力對(duì)精確模擬和優(yōu)化包含多次變形與中間保溫的完整熱機(jī)械路徑至關(guān)重要，因?yàn)槊恳坏来魏蟮慕M織狀態(tài)(如位錯(cuò)密度和再結(jié)晶分?jǐn)?shù))都將作為初始條件影響后續(xù)變形行為。因此，高保真度的機(jī)器學(xué)習(xí)代理模型構(gòu)成了實(shí)現(xiàn)端到端全局路徑優(yōu)化不可或缺的數(shù)字基石。

上述研究表明，通過(guò)將機(jī)器學(xué)習(xí)代理模型與智能優(yōu)化算法及物理仿真深度耦合，能夠有效突破傳統(tǒng)分步優(yōu)化的局限，實(shí)現(xiàn)對(duì)鈦合金熱機(jī)械處理全路徑的協(xié)同、全局尋優(yōu)，為獲得兼具高強(qiáng)度、高塑性與優(yōu)異服役可靠性的先進(jìn)鈦合金構(gòu)件開辟新途徑。

3.3　防護(hù)涂層的高維設(shè)計(jì)空間智能導(dǎo)航

涂層設(shè)計(jì)的核心是構(gòu)建物理阻隔與化學(xué)調(diào)控雙重防護(hù)體系，通常為突破服役極限與提升服役安全性需滿足3類物性要求:一是為有效阻擋氧原子向基體擴(kuò)散需保持低氧滲透壓;二是為避免在高溫循環(huán)下膜層剝落需擁有與基體匹配良好的熱膨脹系數(shù);三是具備在目標(biāo)服役溫度下不發(fā)生相變、不與基體發(fā)生有害反應(yīng)的高溫穩(wěn)定性。此外，復(fù)雜工況條件對(duì)鈦合金的涂層設(shè)計(jì)提出嚴(yán)苛要求，傳統(tǒng)的材料設(shè)計(jì)難以同步實(shí)現(xiàn)多種服役性能的匹配。近年來(lái)，基于數(shù)據(jù)的人工智能方法能夠在大量實(shí)驗(yàn)和計(jì)算結(jié)果中學(xué)習(xí)，為多功能復(fù)雜涂層設(shè)計(jì)及優(yōu)化提供可能 [67]。一方面，通過(guò)訓(xùn)練模型預(yù)測(cè)涂層的抗氧化性、硬度、耐磨性，能夠顯著減少傳統(tǒng)試錯(cuò)法的時(shí)間和成本;另一方面,數(shù)據(jù)驅(qū)動(dòng)的反向設(shè)計(jì)策略利用AI技術(shù)縮小搜索空間，直接從數(shù)據(jù)中定位最優(yōu)材料配比、宏微觀結(jié)構(gòu)和制造工藝 [68]。

Chen等 [69]研究激光熔覆工藝參數(shù)對(duì)于鈦合金表面TiC陶瓷涂層質(zhì)量的影響規(guī)律，通過(guò)多道熔覆正交實(shí)驗(yàn)獲得涂層厚度、寬度、高度差等幾何特性(圖9(a))及其力學(xué)性能，以支持向量機(jī)建立涂層熔覆質(zhì)量特性的預(yù)測(cè)模型，準(zhǔn)確描述熔覆工藝參數(shù)和涂層質(zhì)量的關(guān)系，指導(dǎo)表面熔覆涂層的工藝設(shè)計(jì)。Lin等 [70]探究Ti-6Al-4V合金表面光刻工藝對(duì)于表面氧化層結(jié)構(gòu)的影響(圖9(b)),通過(guò)構(gòu)建支持向量機(jī)模型，同步優(yōu)化曝光時(shí)間、烘烤溫度等參數(shù)，提升航空級(jí)鈦合金表面微結(jié)構(gòu)的保真度。Singh等 [71]通過(guò)調(diào)整升級(jí)網(wǎng)絡(luò)層的大小優(yōu)化模型性能，探究等離子體噴涂涂層材料的抗侵蝕性能，研究發(fā)現(xiàn)20個(gè)神經(jīng)元在準(zhǔn)確性和計(jì)算效率間達(dá)到平衡，機(jī)器學(xué)習(xí)回歸方法在材料性能預(yù)測(cè)中表現(xiàn)優(yōu)異。

Kumaran等 [74]在對(duì)電火花涂層表面改性工藝的研究中，采用方差分析和響應(yīng)面形態(tài)對(duì)觀察到的數(shù)據(jù)進(jìn)行分析和優(yōu)化,分別使用人工神經(jīng)網(wǎng)絡(luò)和自適應(yīng)神經(jīng)模糊推理系統(tǒng)兩種工具進(jìn)行預(yù)測(cè),回歸系數(shù)分別達(dá)到0.9799和0.9912。Lim等合金定向能量沉積過(guò)程，以沉積表面顏色作為輸入，構(gòu)建包含截面形貌、硬度、微觀形貌等信息的數(shù)據(jù)庫(kù)并對(duì)比不同模型預(yù)測(cè)的準(zhǔn)確率，研究發(fā)現(xiàn)隨機(jī)森林模型預(yù)測(cè)的準(zhǔn)確率最高。上述研究表明，AI技術(shù)可以通過(guò)分析涂層制備工藝參數(shù)對(duì)結(jié)構(gòu)和功能的影響，優(yōu)化涂層設(shè)計(jì)，并通過(guò)優(yōu)化算法和參數(shù)據(jù)庫(kù)并對(duì)比不同模型預(yù)測(cè)的準(zhǔn)確率，研究發(fā)現(xiàn)隨機(jī)森林模型預(yù)測(cè)的準(zhǔn)確率最高。上述研究表明，出結(jié)合有限元建模和機(jī)器學(xué)習(xí)的涂層參數(shù)優(yōu)化策略，可大幅度地降低達(dá)成精確預(yù)測(cè)所需的數(shù)據(jù)量，有效的建模獲取參數(shù)能夠顯著地?cái)U(kuò)充機(jī)器學(xué)習(xí)的數(shù)據(jù)集。Kolesnikov等 [72]則通過(guò)自適應(yīng)采樣算法和ANSYS仿真軟件對(duì)不同成分和厚度的涂層進(jìn)行壓痕模擬，構(gòu)建訓(xùn)練數(shù)據(jù)集，采用機(jī)器學(xué)習(xí)近似模型(圖9(c))在預(yù)測(cè)涂層的硬度方面表現(xiàn)出較高的準(zhǔn)確性(R2=0.96)。然而在已報(bào)道的文獻(xiàn)中多次提到,基于數(shù)據(jù)驅(qū)動(dòng)的涂層結(jié)構(gòu)設(shè)計(jì)和性能預(yù)測(cè)中存在預(yù)測(cè)值和實(shí)驗(yàn)偏差的問(wèn)題，模型的魯棒性和可解釋性也有待進(jìn)一步提升 [67]。基于此,研究人員們通過(guò)模型架構(gòu)的優(yōu)化、數(shù)據(jù)增強(qiáng)、遷移學(xué)習(xí)等方法減少不確定性。例如,Hao等 [73]構(gòu)建出7種針對(duì)涂層抗氧化性和抗燒蝕性的機(jī)器學(xué)習(xí)預(yù)測(cè)模型,并結(jié)合SHAP可解釋性方法對(duì)隨機(jī)森林模型進(jìn)行分析(圖9(d)),揭示各類輸入特征對(duì)燒蝕特性的影響機(jī)制。

4、評(píng)價(jià)與服役:從離線檢測(cè)到在線預(yù)測(cè)與數(shù)字孿生

在航空航天等高安全需求領(lǐng)域，鈦基材料構(gòu)件的服役可靠性與壽命周期控制，直接關(guān)系裝備的性能表現(xiàn)與操作人員的安全性。傳統(tǒng)的評(píng)估與運(yùn)維保障系統(tǒng)大多依賴于離線、靜態(tài)、破壞性或半破壞性的檢測(cè)手段，這種方法不僅成本高昂、周期漫長(zhǎng)，而且難以反映單個(gè)構(gòu)件在其獨(dú)特制造過(guò)程和服役環(huán)境下的真實(shí)狀態(tài)，本質(zhì)上是一種事后響應(yīng)的被動(dòng)管理模式。AI的深度融入引領(lǐng)評(píng)價(jià)與服役體系開辟新道路，其核心是從離線抽檢邁向在線預(yù)測(cè)與個(gè)體化數(shù)字孿生，實(shí)現(xiàn)對(duì)鈦基材料壽命與可靠性的主動(dòng)、精準(zhǔn)的動(dòng)態(tài)管理。

4.1　基于初始狀態(tài)的性能與壽命智能初篩

構(gòu)件的服役壽命與出廠時(shí)的基因(成分、微觀組織及內(nèi)部缺陷狀態(tài))密切相關(guān)。傳統(tǒng)上，對(duì)構(gòu)件疲勞壽命、蠕變行為等關(guān)鍵服役性能的評(píng)估主要依賴耗時(shí)、昂貴且具有破壞性的物理實(shí)驗(yàn)，如標(biāo)準(zhǔn)試樣的高/低周疲勞測(cè)試和高溫蠕變實(shí)驗(yàn)。這類方法不僅無(wú)法覆蓋全批次產(chǎn)品，而且難以反映增材制造工藝波動(dòng)、熱處理差異和微觀組織異質(zhì)性導(dǎo)致的個(gè)體性能差異。

隨著AI技術(shù)(特別是深度學(xué)習(xí)和可解釋機(jī)器學(xué)習(xí))的發(fā)展,研究人員可直接以材料出廠時(shí)的非破壞性初始信息作為輸入，構(gòu)建端到端的智能初篩模型,預(yù)測(cè)其宏觀力學(xué)性能與統(tǒng)計(jì)壽命分布。這種初篩范式具有顯著優(yōu)勢(shì)，僅采集初始狀態(tài)數(shù)據(jù)即可完成性能預(yù)測(cè)，避免大量物理實(shí)驗(yàn);同時(shí)，對(duì)每一構(gòu)件皆可建立專屬性能檔案并進(jìn)行個(gè)體化評(píng)估，突破傳統(tǒng)批次穩(wěn)定性的局限，及時(shí)發(fā)現(xiàn)潛在弱件，從而提升系統(tǒng)整體可靠性。Zhao等 [76]將顯微組織圖像本身作為AI模型的直接輸入，采用晶體塑性有限元法(crystal plasticity finite element method,CPFEM)構(gòu)建包含不同晶粒尺寸分布、α/β片層結(jié)構(gòu)及橢圓缺陷的代表性體積單元(representative volume element,RVE)模型，通過(guò)疲勞指示參數(shù)生成擴(kuò)充的疲勞壽命數(shù)據(jù)集，并在此基礎(chǔ)上對(duì)比多種機(jī)器學(xué)習(xí)算法(ANN、SVR、分解疲勞抗力(resolved fatigue resistance,RFR))與CNN的性能(圖10(a))。結(jié)果表明，CNN模型憑借其卓越的空間特征提取能力,可從RVE的二維圖像中自動(dòng)識(shí)別并定量表征晶粒形貌、片層分布及幾何缺陷等多尺度微觀結(jié)構(gòu)特征，并有效建立上述特征與疲勞壽命之間復(fù)雜的非線性映射關(guān)系。與傳統(tǒng)回歸模型相比，該模型在預(yù)測(cè)精度方面表現(xiàn)出明顯優(yōu)勢(shì)。這項(xiàng)工作極具開創(chuàng)性，證明了無(wú)需人工設(shè)計(jì)復(fù)雜的微觀特征參數(shù)，僅憑一張初始顯微組織照片，AI即可完成對(duì)構(gòu)件疲勞性能端到端的智能初篩。這不僅極大地簡(jiǎn)化評(píng)價(jià)流程,而且將微觀結(jié)構(gòu)視角真正融入壽命預(yù)測(cè)的數(shù)字化核心,為實(shí)現(xiàn)基于真實(shí)微觀組織的個(gè)體化、高保真壽命評(píng)估鋪平道路。

對(duì)于增材制造構(gòu)件而言,內(nèi)部孔隙等工藝缺陷往往扮演著比基體微觀組織更重要的角色。Dang等將工業(yè)計(jì)算機(jī)斷層掃描(computed tomography,CT)作為獲取構(gòu)件出廠基因的關(guān)鍵手段，設(shè)計(jì)出一個(gè)三步漸進(jìn)式預(yù)測(cè)模型(圖10(b))。首先,利用嶺分類(ridge classification,RC)算法從CT檢測(cè)到的所有孔隙中精準(zhǔn)識(shí)別出最危險(xiǎn)的臨界孔隙;隨后，基于該臨界孔隙的特征預(yù)測(cè)疲勞斷口上是否會(huì)出現(xiàn)細(xì)晶區(qū)(fine-grained area,FGA),這

是決定構(gòu)建模型是否具有超高周疲勞壽命的關(guān)鍵;最后，綜合判斷應(yīng)力水平、臨界孔隙的尺寸/位置/形狀、FGA存在與否等信息并通過(guò)核嶺回歸(kernel ridge regression,KRR)模型對(duì)最終疲勞壽命進(jìn)行高精度預(yù)測(cè)。該框架在激光定向能量沉積(laser-based directed energy deposition,L-DED)制備的Ti-6Al-4V合金上取得了卓越成效，預(yù)測(cè)結(jié)果與實(shí)驗(yàn)值的相關(guān)系數(shù)高達(dá)0.951。這項(xiàng)研究工作首次實(shí)現(xiàn)從三維無(wú)損檢測(cè)的孔隙地圖到個(gè)體化疲勞壽命預(yù)報(bào)的完整鏈條，為增材制造鈦合金構(gòu)件在航空航天等高安全領(lǐng)域應(yīng)用前期的快速、可靠、非破壞性壽命認(rèn)證提供直接的技術(shù)路徑，是基于初始狀態(tài)的智能初篩理念在增材制造場(chǎng)景的實(shí)現(xiàn)。

在航空發(fā)動(dòng)機(jī)等核心部件設(shè)計(jì)過(guò)程中，超高周疲勞和高溫蠕變壽命作為關(guān)鍵性能指標(biāo)，實(shí)驗(yàn)周期極為漫長(zhǎng)、經(jīng)濟(jì)成本昂貴，致使高質(zhì)量有效數(shù)據(jù)嚴(yán)重匱乏，顯著制約AI模型的訓(xùn)練效果與泛化能力。為破解這一小樣本困局，Li等 [78]提出一套數(shù)據(jù)增強(qiáng)與智能優(yōu)化的解決方案。首先利用高斯混合模型(Gaussian mixture model,GMM)對(duì)稀疏的原始超高周疲勞數(shù)據(jù)集進(jìn)行擴(kuò)展，在保留原始數(shù)據(jù)分布特征的前提下有效擴(kuò)充訓(xùn)練樣本(圖10(c)、(d))。隨后構(gòu)建改進(jìn)的PSO-BP神經(jīng)網(wǎng)絡(luò)模型,通過(guò)PSO算法對(duì)BP網(wǎng)絡(luò)的權(quán)重和閾值進(jìn)行全局尋優(yōu),并引入動(dòng)態(tài)慣性權(quán)重和自適應(yīng)變異算子以避免陷入局部最優(yōu)。該模型以彈性模量、屈服強(qiáng)度、抗拉強(qiáng)度、試樣尺寸和應(yīng)力幅值5個(gè)關(guān)鍵初始狀態(tài)參數(shù)作為輸入，成功實(shí)現(xiàn)對(duì)多種鈦合金(如TC4、TC11、IMI834合金等)超高周疲勞壽命的高精度預(yù)測(cè)。在充分?jǐn)U增的數(shù)據(jù)集中，該模型決定系數(shù)達(dá)到89.9%,預(yù)測(cè)波動(dòng)低至0.0494,其精度和穩(wěn)定性均顯著優(yōu)于傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)模型和隨機(jī)森林模型。

需要指出的是，基于統(tǒng)計(jì)模型的數(shù)據(jù)生成方法在緩解小樣本問(wèn)題方面具有重要價(jià)值，但其本質(zhì)仍屬于數(shù)據(jù)驅(qū)動(dòng)的虛擬樣本擴(kuò)展機(jī)制。若缺乏與材料物理機(jī)理和本構(gòu)模型的交叉驗(yàn)證，生成數(shù)據(jù)在極端應(yīng)力或復(fù)雜服役環(huán)境下的可靠性仍存在一定不確定性，可能難以充分反映小概率失效等關(guān)鍵工程風(fēng)險(xiǎn)。因此在工程應(yīng)用中，數(shù)據(jù)增強(qiáng)策略通常需要與物理約束模型或?qū)嶒?yàn)驗(yàn)證相結(jié)合，以提升預(yù)測(cè)結(jié)果在真實(shí)服役條件下的工程可信度。

4.2　數(shù)據(jù)-物理融合的損傷演化建模

在鈦合金構(gòu)件投入服役后,其內(nèi)裂紋萌生與擴(kuò)展、位錯(cuò)增殖和相變)將在復(fù)雜載荷譜作用下持續(xù)演化。傳統(tǒng)的單一物理模型方法雖然有明確的力學(xué)機(jī)制基礎(chǔ),但往往因參數(shù)識(shí)別困難而導(dǎo)致精度不足;而完全依賴數(shù)據(jù)驅(qū)動(dòng)的方法雖然具備較強(qiáng)的擬合能力，卻由于缺乏物理約束，難以在未知工況下實(shí)現(xiàn)可靠外推預(yù)測(cè)。在此背景下，數(shù)據(jù)-物理融合策略逐漸成為實(shí)現(xiàn)高精度、實(shí)時(shí)損傷識(shí)別與壽命預(yù)測(cè)的關(guān)鍵技術(shù)路徑。

該方法的核心在于將堅(jiān)實(shí)的物理先驗(yàn)知識(shí)作為模型骨架，以確保其預(yù)測(cè)結(jié)果符合基本的物理規(guī)律;同時(shí),利用數(shù)據(jù)驅(qū)動(dòng)的靈活性作為內(nèi)容,對(duì)傳統(tǒng)物理模型難以精確描述的復(fù)雜行為和不確定性進(jìn)行補(bǔ)充建模，從而在物理一致性與預(yù)測(cè)能力之間實(shí)現(xiàn)有效平衡。近年來(lái)，這一融合范式已在多種工程應(yīng)用場(chǎng)景中展現(xiàn)出良好的應(yīng)用潛力。

Guo等 [79]針對(duì)深海潛水器鈦合金壓力殼的蠕變-疲勞耦合損傷問(wèn)題，提出一種典型的連續(xù)損傷力學(xué)-先驗(yàn)信息引導(dǎo)的BP神經(jīng)網(wǎng)絡(luò)(continuum damage mechanics-informed BP neural network,CDM-iNN)模型。該工作首先基于CDM理論，建立一個(gè)能準(zhǔn)確描述室溫下蠕變損傷與疲勞損傷相互促進(jìn)效應(yīng)的物理模型，并通過(guò)有限元方法生成包含1000個(gè)樣本的高保真數(shù)據(jù)庫(kù)。隨后，以操作壓力、駐留時(shí)間、軸向與周向應(yīng)力等作為輸入，以失效循環(huán)數(shù)與實(shí)際運(yùn)行時(shí)間作為輸出，訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)建立快速預(yù)測(cè)模型。結(jié)果表明，該CDM-iNN模型不僅預(yù)測(cè)精度極高(測(cè)試集R2>0.9998),而且預(yù)測(cè)時(shí)間(約3ms)相較于傳統(tǒng)有限元計(jì)算(約50~60min)提升4個(gè)數(shù)量級(jí)。這項(xiàng)工作詮釋了如何利用物理模型生成可靠訓(xùn)練數(shù)據(jù)并指導(dǎo)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)，再利用數(shù)據(jù)驅(qū)動(dòng)模型實(shí)現(xiàn)物理模型的高效代理，從而實(shí)現(xiàn)復(fù)雜損傷演化過(guò)程的快速預(yù)測(cè)。

Song等 [80]在鈦合金螺紋滾壓成形研究中,展示了多尺度物理模型與機(jī)器學(xué)習(xí)的深度融合。構(gòu)建一個(gè)耦合宏觀變形與微觀損傷演化的多尺度模型，并利用機(jī)器學(xué)習(xí)算法來(lái)高效求解該復(fù)雜模型。雖然其應(yīng)用場(chǎng)景為制造過(guò)程，但利用AI加速和增強(qiáng)多尺度物理?yè)p傷模型的求解與預(yù)測(cè)能力的方法，對(duì)服役階段損傷演化的預(yù)測(cè)和分析具有重要參考價(jià)值。

盡管物理-數(shù)據(jù)融合模型為突破純數(shù)據(jù)驅(qū)動(dòng)方法的外推能力提供重要途徑，但在面向?qū)嶋H工程應(yīng)用的極端環(huán)境構(gòu)件或高溫鈦基材料設(shè)計(jì)問(wèn)題時(shí)，仍面臨一系列挑戰(zhàn)。首先，在多尺度、多場(chǎng)耦合的復(fù)雜力學(xué)問(wèn)題中，模型往往需要同時(shí)滿足力學(xué)守恒、熱力學(xué)一致性、本構(gòu)關(guān)系等多重物理約束，使訓(xùn)練過(guò)程演化為高度非凸的多約束優(yōu)化問(wèn)題,易出現(xiàn)梯度不穩(wěn)定、收斂困難等問(wèn)題;其次，在沖擊載荷、循環(huán)疲勞、高速變形等動(dòng)態(tài)服役條件下，材料本構(gòu)關(guān)系通常呈現(xiàn)顯著的路徑依賴性與強(qiáng)非線性特征,這對(duì)機(jī)器學(xué)習(xí)模型的結(jié)構(gòu)設(shè)計(jì)、訓(xùn)練策略及泛化能力提出更高要求。此外，材料領(lǐng)域普遍存在樣本規(guī)模有限、實(shí)驗(yàn)數(shù)據(jù)噪聲較大、多源數(shù)據(jù)一致性不足等問(wèn)題，這進(jìn)一步增加物理約束與數(shù)據(jù)驅(qū)動(dòng)模型協(xié)同優(yōu)化的難度。如何在有限數(shù)據(jù)條件下實(shí)現(xiàn)穩(wěn)定收斂，并構(gòu)建兼具物理一致性與預(yù)測(cè)能力的混合建模框架，已成為物理信息驅(qū)動(dòng)材料智能設(shè)計(jì)需要突破的前沿問(wèn)題。

4.3　構(gòu)件級(jí)數(shù)字孿生體的搭建

上述兩項(xiàng)技術(shù)的最終目的是搭建高保真構(gòu)件級(jí)數(shù)字孿生體。對(duì)于航空發(fā)動(dòng)機(jī)雙性能鈦合金整體葉盤等關(guān)鍵部件，其數(shù)字孿生體是一個(gè)貫穿全生命周期信息的、可動(dòng)態(tài)演化的虛擬映射，是材料設(shè)計(jì)模型、工藝仿真模型、個(gè)體制造過(guò)程與實(shí)時(shí)服役數(shù)據(jù)4個(gè)方面的深度融合。材料智能設(shè)計(jì)階段的熱力學(xué)數(shù)據(jù)庫(kù)以及成分-工藝-性能預(yù)測(cè)模型為數(shù)字孿生體提供材料本征屬性的初始知識(shí)庫(kù)。Hao等 [81]通過(guò)將α→β相變、動(dòng)態(tài)再結(jié)晶等物理機(jī)制顯式地嵌入本構(gòu)模型中，并利用機(jī)器學(xué)習(xí)進(jìn)行參數(shù)優(yōu)化，成功構(gòu)建一個(gè)能準(zhǔn)確描述材料在熱變形過(guò)程中復(fù)雜流變行為的高保真模型。這種機(jī)理與數(shù)據(jù)融合的建模范式，為孿生體精確模擬構(gòu)件在任意載荷下的應(yīng)力-應(yīng)變響應(yīng)奠定堅(jiān)實(shí)基礎(chǔ)。此外數(shù)字孿生體能夠深度融合特定構(gòu)件的個(gè)體化制造過(guò)程,例如在增材制造過(guò)程中每層的熔池形貌、熱力學(xué)演化等實(shí)時(shí)監(jiān)控?cái)?shù)據(jù)均可被記錄并用于重構(gòu)其內(nèi)部殘余應(yīng)力場(chǎng)與晶粒取向分布。Li等 [82]通過(guò)量化激光功率、掃描速率等關(guān)鍵工藝參數(shù)對(duì)材料性能的影響權(quán)重(如激光功率的特征重要性得分高達(dá)0.847),證明精確追溯和復(fù)現(xiàn)制造過(guò)程參數(shù)對(duì)于預(yù)測(cè)最終性能至關(guān)重要。更重要的是，數(shù)字孿生體可以通過(guò)機(jī)載傳感器網(wǎng)絡(luò)持續(xù)接收真實(shí)的飛行載荷譜、溫度場(chǎng)、結(jié)構(gòu)響應(yīng)數(shù)據(jù)，并以此為驅(qū)動(dòng)進(jìn)行動(dòng)態(tài)更新。

在此基礎(chǔ)上，數(shù)字孿生體利用多尺度仿真(如晶體塑性有限元)與數(shù)據(jù)-物理融合的AI模型,動(dòng)態(tài)模擬該特定個(gè)體在真實(shí)服役環(huán)境下的完整行為。Zong等 [83]研究表明如何利用深度學(xué)習(xí)模型精準(zhǔn)預(yù)測(cè)微觀組織在不同條件下的時(shí)空演化規(guī)律,這為孿生體模擬服役過(guò)程中的組織退化(如α相粗化)提供關(guān)鍵技術(shù)。Guo等 [79]基于連續(xù)損傷力學(xué),構(gòu)建既能保證物理一致性、又具備毫秒級(jí)預(yù)測(cè)速度的代理模型,用于實(shí)時(shí)追蹤損傷累積并預(yù)測(cè)剩余使用壽命(remaining useful life,RUL)。此外,Bai等提出生命周期評(píng)估(life cycle assessment,LCA)框架,表明數(shù)字孿生體的功能可延伸至環(huán)境影響評(píng)估等更廣泛的維度。

因此，構(gòu)件級(jí)數(shù)字孿生體的輸出不再是基于批次統(tǒng)計(jì)估計(jì)的平均保守壽命，而是針對(duì)唯一實(shí)體的個(gè)體化、動(dòng)態(tài)化、高精度的RUL預(yù)測(cè)。這使得維護(hù)策略可以從傳統(tǒng)的定時(shí)維修或視情維修躍升至預(yù)測(cè)性維護(hù)，在故障發(fā)生前精準(zhǔn)安排檢修，最大化裝備可持續(xù)性并從根本上保障飛行安全。

5、AI+Ti研發(fā)范式的思考

材料研發(fā)的范式，深刻塑造著科學(xué)發(fā)現(xiàn)的效率與路徑。高性能鈦基材料因其多組元成分、多相(如α、β相和ω相)共存、復(fù)雜相變路徑以及對(duì)熱-力過(guò)程參數(shù)的高度敏感性，長(zhǎng)期受困于傳統(tǒng)的試錯(cuò)-歸納研發(fā)模式。該范式高度依賴專家先驗(yàn)知識(shí)，其流程呈線性、串行結(jié)構(gòu)，在高維成分-工藝參數(shù)空間中開展探索時(shí)，往往面臨巨大的實(shí)驗(yàn)成本與時(shí)間代價(jià)。與此同時(shí)，對(duì)強(qiáng)度、韌性、疲勞、蠕變等宏觀性能與微觀組織演化、缺陷演化行為之間復(fù)雜的耦合機(jī)制，多停留于唯象層面的定性描述，難以實(shí)現(xiàn)由物理機(jī)理驅(qū)動(dòng)的定向調(diào)控與精準(zhǔn)設(shè)計(jì)。近年來(lái)，以深度學(xué)習(xí)為代表的人工智能技術(shù)迅猛發(fā)展，正深刻推動(dòng)復(fù)雜材料體系研發(fā)模式的轉(zhuǎn)型。這一變革并非僅體現(xiàn)為計(jì)算工具的迭代升級(jí)，更在于從底層邏輯上重新構(gòu)建高性能鈦基材料的發(fā)現(xiàn)-理解-創(chuàng)造全過(guò)程。新一代研發(fā)范式以領(lǐng)域知識(shí)-數(shù)據(jù)驅(qū)動(dòng)-算法解析-自動(dòng)化閉環(huán)為核心特征，致力于構(gòu)建一個(gè)能夠從多尺度數(shù)據(jù)中持續(xù)學(xué)習(xí)、在虛擬與現(xiàn)實(shí)空間中迭代優(yōu)化并不斷沉淀與修正領(lǐng)域知識(shí)的智能增強(qiáng)系統(tǒng)，如圖11所示。本節(jié)系統(tǒng)闡述這一范式轉(zhuǎn)型的內(nèi)在邏輯、核心支撐、實(shí)踐途徑與深層挑戰(zhàn)，為突破該領(lǐng)域長(zhǎng)期存在的經(jīng)驗(yàn)依賴與試錯(cuò)瓶頸、實(shí)現(xiàn)從認(rèn)知局限到設(shè)計(jì)自由的跨越發(fā)展，提供系統(tǒng)性思考。

5.1　新范式的核心支撐與運(yùn)行邏輯

新范式的建立依賴于3個(gè)相互支撐的核心內(nèi)容，共同構(gòu)成一個(gè)區(qū)別于傳統(tǒng)模式的全新方法論內(nèi)核。

(1)數(shù)據(jù)密集型高通量感知與計(jì)算

新范式的起點(diǎn)是數(shù)據(jù)維度與深度的挖掘。針對(duì)鈦基材料對(duì)成分微調(diào)、間隙元素(O、N元素)及熱力學(xué)演化極度敏感的特性,傳統(tǒng)靜態(tài)、單點(diǎn)表征已無(wú)法滿足需求，取而代之的是多尺度、多模態(tài)、原位/實(shí)時(shí)的高通量數(shù)據(jù)流:同步輻射與透射電鏡對(duì)α/β相變動(dòng)力學(xué)與位錯(cuò)演化的原位觀測(cè);增材制造過(guò)程中對(duì)熔池形貌、熱梯度、冷卻速率及β晶粒取向的實(shí)時(shí)監(jiān)控;結(jié)合第一性原理計(jì)算與CALPHAD方法對(duì)Ti-Al-V-Mo-Sn-Zr等多元體系進(jìn)行高通量相穩(wěn)定性與性能的虛擬篩選。這些數(shù)據(jù)共同構(gòu)成鈦基材料數(shù)字孿生的感知基礎(chǔ),使對(duì)復(fù)雜相變行為與性能關(guān)聯(lián)的動(dòng)態(tài)、全景式理解成為可能 [4?5,7,84?86]。

(2)物理信息增強(qiáng)的模型認(rèn)知系統(tǒng)

純數(shù)據(jù)驅(qū)動(dòng)易陷入黑箱與外推失效。鑒于鈦基材料的物理機(jī)制相對(duì)清晰但高度非線性耦合,新范式強(qiáng)調(diào)物理信息增強(qiáng)的機(jī)器學(xué)習(xí)，其核心在于將鈦合金特有的物理規(guī)律(如d電子理論對(duì)β相穩(wěn)定性的解釋、α/β相變熱力學(xué)與Johnson-Mehl-Avrami動(dòng)力學(xué)模型、晶體塑性各向異性本構(gòu)關(guān)系以及擴(kuò)散控制的析出長(zhǎng)大方程)作為硬約束或軟正則項(xiàng)嵌入神經(jīng)網(wǎng)絡(luò)架構(gòu)。例如，將描述α片層形核與粗化的相場(chǎng)方程殘差引入損失函數(shù)，可使代理模型在預(yù)測(cè)熱處理后組織時(shí)自動(dòng)滿足熱力學(xué)一致性。此類模型不僅擬合數(shù)據(jù)，而且內(nèi)化物理規(guī)則，顯著提升在小樣本、外推區(qū)域(如新型多元合金或極端工藝)的預(yù)測(cè)可靠性與泛化能力 [87?89]。

(3)機(jī)器人驅(qū)動(dòng)的自動(dòng)化實(shí)驗(yàn)閉環(huán)

認(rèn)知必須通過(guò)行動(dòng)驗(yàn)證。鑒于鈦合金制備對(duì)氣氛純度、成分均勻性及熱過(guò)程控制極為苛刻，自動(dòng)化機(jī)器人實(shí)驗(yàn)平臺(tái)成為實(shí)現(xiàn)設(shè)計(jì)-合成-表征-測(cè)試閉環(huán)的關(guān)鍵物理載體。結(jié)合主動(dòng)學(xué)習(xí)算法，AI可自主提出最具信息增益的下一個(gè)實(shí)驗(yàn)(如微合金化成分點(diǎn)或階梯退火制度),由機(jī)器人系統(tǒng)在真空或惰性氣氛下完成熔煉、熱機(jī)械處理,并自動(dòng)采集微區(qū)成分、初生α相比例、顯微硬度等關(guān)鍵指標(biāo)，結(jié)果即時(shí)回饋訓(xùn)練集，驅(qū)動(dòng)模型迭代更新。該閉環(huán)系統(tǒng)不僅避免科學(xué)家重復(fù)勞動(dòng)，而且實(shí)現(xiàn)對(duì)高維設(shè)計(jì)空間的定向、主動(dòng)、高效探索，加速發(fā)現(xiàn)傳統(tǒng)方法難以觸及的性能最優(yōu)區(qū)域 [7,90?92]。

5.2　范式轉(zhuǎn)型在高性能鈦基材料研發(fā)中的實(shí)踐途徑

上述3大支撐正在重塑鈦基材料研發(fā)的具體實(shí)踐,主要體現(xiàn)在以下3個(gè)關(guān)鍵方向:

(1)從性能導(dǎo)向到機(jī)理嵌入的合金設(shè)計(jì)

傳統(tǒng)設(shè)計(jì)止步于滿足宏觀性能指標(biāo)，新范式深入至微觀機(jī)理層面。首先，集成CALPHAD熱力學(xué)數(shù)據(jù)庫(kù)與機(jī)器學(xué)習(xí)，精準(zhǔn)預(yù)測(cè)多元體系中β穩(wěn)定當(dāng)量、亞穩(wěn)相(如ω、α"相)析出傾向及相變溫度窗口;其次，耦合晶體塑性有限元模擬數(shù)據(jù)驅(qū)動(dòng)代理模型，定量解析片層α厚度、等軸α體積分?jǐn)?shù)、晶界α連續(xù)性等組織特征對(duì)強(qiáng)度、塑性及裂紋偏轉(zhuǎn)路徑的影響;最后，通過(guò)多目標(biāo)優(yōu)化生成成分-工藝-組織一體化方案，不僅滿足高強(qiáng)高韌要求，而且預(yù)設(shè)主導(dǎo)變形機(jī)制(如TWIP/TRIP效應(yīng)和界面協(xié)調(diào)滑移)。這一方向標(biāo)志著從達(dá)標(biāo)向按需定制微觀失效路徑的根本躍遷 [51,93?96]。

(2)從工藝窗口到過(guò)程智能的制造調(diào)控

在激光/電子束增材制造等復(fù)雜工藝中，傳統(tǒng)方法依賴寬泛、靜態(tài)的安全窗口，新范式構(gòu)建基于物理的實(shí)時(shí)智能調(diào)控系統(tǒng)。通過(guò)同步采集熔池形態(tài)、熱力學(xué)演化、原位光譜(監(jiān)測(cè)O/N元素污染)等多模態(tài)信號(hào)，訓(xùn)練深度學(xué)習(xí)模型動(dòng)態(tài)診斷缺陷成因(如未熔合源于能量密度不足、脆化源于間隙元素超標(biāo));模型驅(qū)動(dòng)執(zhí)行器實(shí)時(shí)調(diào)整激光功率、掃描策略和保護(hù)氣流量，實(shí)現(xiàn)閉環(huán)補(bǔ)償。這種集感知-建模-決策-控制于一體的架構(gòu),將鈦基材料構(gòu)件制造從開環(huán)控制升級(jí)為自適應(yīng)過(guò)程智能，從根本上保障關(guān)鍵部件(如發(fā)動(dòng)機(jī)葉片)的組織均勻性與性能一致性 [97?99]。

(3)從服役考核到壽命預(yù)測(cè)的性能評(píng)估

面對(duì)航空航天領(lǐng)域?qū)︹伜辖鹪谄凇⑷渥兊榷囫詈献饔孟麻L(zhǎng)時(shí)服役性能的嚴(yán)苛需求，當(dāng)前研究致力于構(gòu)建跨尺度、跨維度的機(jī)理關(guān)聯(lián)預(yù)測(cè)框架。該框架依托于原位監(jiān)測(cè)技術(shù)，精準(zhǔn)捕獲材料早期退化特征，涵蓋疲勞初始階段駐留滑移帶的形成、α/β相界面微裂紋的萌生動(dòng)力學(xué)以及高溫蠕變初始亞穩(wěn)組織的演化路徑,并將上述微觀結(jié)構(gòu)響應(yīng)與物理?yè)p傷模型(如基于晶體塑性的疲勞指示參數(shù)、空穴形核與長(zhǎng)大動(dòng)力學(xué))進(jìn)行系統(tǒng)融合。進(jìn)一步借助遷移學(xué)習(xí)或物理信息神經(jīng)網(wǎng)絡(luò)等策略,實(shí)現(xiàn)從短時(shí)加速實(shí)驗(yàn)數(shù)據(jù)到長(zhǎng)時(shí)失效壽命的有效映射。這一路徑不僅顯著縮短材料考核與認(rèn)證周期，而且驅(qū)動(dòng)著從傳統(tǒng)事后驗(yàn)證模式向壽命可設(shè)計(jì)的前瞻性工程范式躍遷 [77,79,100?102]。

5.3　范式轉(zhuǎn)型面臨的深層挑戰(zhàn)

盡管前景廣闊，新范式的全面落地仍面臨4個(gè)方面挑戰(zhàn)。

(1)數(shù)據(jù)挑戰(zhàn):質(zhì)量、標(biāo)準(zhǔn)與生態(tài)

高質(zhì)量、標(biāo)準(zhǔn)化、可共享的數(shù)據(jù)生態(tài)尚未建立，突出表現(xiàn)為:關(guān)鍵數(shù)據(jù)(如新型高溫鈦合金在多場(chǎng)耦合下的長(zhǎng)時(shí)蠕變數(shù)據(jù))缺失、描述符不統(tǒng)一(對(duì)網(wǎng)籃組織、片層集束尺寸等關(guān)鍵特征缺乏量化標(biāo)準(zhǔn))和數(shù)據(jù)壁壘嚴(yán)重(高價(jià)值工藝-性能數(shù)據(jù)分散于軍工、航空等封閉體系)。因此，亟須構(gòu)建聚焦鈦基材料的權(quán)威基準(zhǔn)數(shù)據(jù)集，制定涵蓋多相、各向異性特征的機(jī)器可讀數(shù)據(jù)標(biāo)準(zhǔn)，并建立安全可信的共享激勵(lì)機(jī)制 [103?110]。

(2)模型挑戰(zhàn):可解釋性、因果性與可信度

當(dāng)前模型尚未形成對(duì)成分/工藝→組織演變→性能全鏈條因果機(jī)制的深度解析能力，大多停留于統(tǒng)計(jì)關(guān)聯(lián)層面。例如，模型可預(yù)測(cè)某成分以提升強(qiáng)度，卻難以闡明其源于α細(xì)化、界面強(qiáng)化還是TWIP/TRIP效應(yīng)。如何從高維混雜數(shù)據(jù)中推斷支配性能的深層物理機(jī)制，構(gòu)建兼具高精度、強(qiáng)泛化與物理可解釋性的可信模型，是贏得科學(xué)家信任、實(shí)現(xiàn)數(shù)據(jù)擬合向機(jī)理認(rèn)知跨越的關(guān)鍵 [111?117]。

(3)融合挑戰(zhàn):跨尺度壁壘與人機(jī)協(xié)同

從電子結(jié)構(gòu)到介觀組織再到宏觀性能的跨尺度建模鏈條存在斷點(diǎn)，科學(xué)家需在模型中注入先驗(yàn)知識(shí)以此來(lái)約束AI挖掘的復(fù)雜模式，并對(duì)其生成的海量方案進(jìn)行基于物理直覺(jué)的戰(zhàn)略篩選。高效的人機(jī)交互框架是挖掘智能研發(fā)潛力的核心 [118?120]。

(4)工程與認(rèn)證挑戰(zhàn):從虛擬到現(xiàn)實(shí)的"最后一公里"

AI設(shè)計(jì)的理想組織對(duì)工藝波動(dòng)極度敏感,虛擬-實(shí)體高保真映射仍是巨大工程難題。更嚴(yán)峻的是，現(xiàn)行航空材料適航認(rèn)證體系基于確定性物理模型與以往數(shù)據(jù)，對(duì)AI設(shè)計(jì)的新材料或動(dòng)態(tài)調(diào)控的新工藝,缺乏可靠性評(píng)估標(biāo)準(zhǔn)與快速認(rèn)證路徑,成為產(chǎn)業(yè)化落地的關(guān)鍵障礙 [121?122]。

6、展望

高性能鈦基材料的研發(fā)路徑正被人工智能深刻重塑，貫穿性能預(yù)測(cè)、逆向優(yōu)化設(shè)計(jì)、自主實(shí)驗(yàn)等多個(gè)環(huán)節(jié)，展現(xiàn)出深遠(yuǎn)的顛覆性潛能。然而，在邁向規(guī)模化、可信賴、可推廣的AI+Ti新階段過(guò)程中,仍面臨多重系統(tǒng)性挑戰(zhàn)與深層爭(zhēng)議。未來(lái)發(fā)展必須超越單純追求算法精度的局限，轉(zhuǎn)向構(gòu)建一個(gè)科學(xué)可信、工程可靠、生態(tài)可持續(xù)的智能研發(fā)體系。

6.1　非共識(shí)性問(wèn)題

盡管人工智能在鈦基材料研發(fā)中展現(xiàn)出巨大潛力并產(chǎn)生諸多成功范式，但其未來(lái)發(fā)展仍面臨若干深層次、尚未形成共識(shí)的關(guān)鍵問(wèn)題。這些問(wèn)題不僅關(guān)乎技術(shù)路線的選擇，而且觸及科學(xué)哲學(xué)、知識(shí)產(chǎn)權(quán)倫理、產(chǎn)業(yè)生態(tài)構(gòu)建等根本層面。

(1)AI在材料研發(fā)中的終極角色:從工具到發(fā)現(xiàn)者

目前AI在材料科學(xué)中的主要應(yīng)用是根據(jù)研究人員設(shè)定的目標(biāo)和約束條件進(jìn)行優(yōu)化求解，所以其定位還是高效的數(shù)據(jù)分析工具和強(qiáng)大的預(yù)測(cè)代理模型。但是，一個(gè)更具顛覆性的問(wèn)題是:AI是否可能超越工具屬性，具備自主提出原創(chuàng)性科學(xué)問(wèn)題并設(shè)計(jì)實(shí)驗(yàn)方案予以驗(yàn)證的能力。若成為現(xiàn)實(shí)，將從根本上挑戰(zhàn)傳統(tǒng)科學(xué)發(fā)現(xiàn)的主體性邊界，引發(fā)深刻的哲學(xué)與倫理討論:科學(xué)發(fā)現(xiàn)的榮譽(yù)應(yīng)歸因于算法、開發(fā)者，還是使用它的研究者?當(dāng)前雖有研究嘗試?yán)么笳Z(yǔ)言模型(large language models,LLMs)從文獻(xiàn)中挖掘隱性知識(shí)以輔助提出新假設(shè),但距離真正的自主科學(xué)發(fā)現(xiàn)仍有遙遠(yuǎn)距離，其可能性與合理性尚存廣泛爭(zhēng)議 [123?124]。

(2)數(shù)據(jù)開放與知識(shí)產(chǎn)權(quán)的博弈:共享與保護(hù)的兩難

AI模型提升性能的動(dòng)力來(lái)源于高質(zhì)量、標(biāo)準(zhǔn)化的數(shù)據(jù)集。學(xué)術(shù)界普遍倡導(dǎo)開源共享，認(rèn)為能加速整個(gè)領(lǐng)域的知識(shí)積累與技術(shù)進(jìn)步，如Al通過(guò)高通量實(shí)驗(yàn)構(gòu)建的公開數(shù)據(jù)庫(kù)為多目標(biāo)優(yōu)化提供寶貴資源。然而工業(yè)界視核心工藝與性能數(shù)據(jù)庫(kù)為商業(yè)競(jìng)爭(zhēng)力，擔(dān)心無(wú)條件開放會(huì)直接導(dǎo)致技術(shù)優(yōu)勢(shì)喪失，這是阻礙AI+Ti發(fā)展的根本利益沖突。為彌合這一鴻溝，學(xué)術(shù)界提出若干技術(shù)方案。其中，聯(lián)邦學(xué)習(xí)(federated learning)允許各參與方在不共享原始數(shù)據(jù)的前提下，協(xié)同訓(xùn)練一個(gè)全局模型;而區(qū)塊鏈技術(shù)則有望為數(shù)據(jù)貢獻(xiàn)提供可追溯、不可篡改的產(chǎn)權(quán)證明與價(jià)值分配機(jī)制。然而這些方案在實(shí)際工程場(chǎng)景中的有效性、安全性與經(jīng)濟(jì)性仍有待驗(yàn)證，能否真正建立一個(gè)兼顧創(chuàng)新激勵(lì)與知識(shí)共享的健康生態(tài)，目前尚無(wú)定論 [125?127]。

(3)最佳研發(fā)路徑之爭(zhēng):通用大模型與垂直專用小模型比較

在技術(shù)路線上存在分歧:一方主張追隨通用人工智能趨勢(shì)，投入資源構(gòu)建覆蓋所有材料體系的超大規(guī)模基礎(chǔ)模型，期望通過(guò)海量數(shù)據(jù)預(yù)訓(xùn)練獲得強(qiáng)大的泛化與遷移能力;另一方認(rèn)為,材料科學(xué)具有高度的專業(yè)性與物理約束，與其追求大而全，不如深耕小而精，主張應(yīng)著力構(gòu)建融合領(lǐng)域?qū)I(yè)知識(shí)的鈦基材料專用人工智能系統(tǒng)。這類面向特定場(chǎng)景需求的垂直領(lǐng)域模型，可圍繞具體任務(wù)目標(biāo)(如高周疲勞壽命預(yù)測(cè)和微觀組織逆向生成)開展深度定制與精細(xì)化參數(shù)調(diào)優(yōu)，顯著提升預(yù)測(cè)精度與任務(wù)適配能力。例如，在高溫阻燃鈦合金材料優(yōu)化設(shè)計(jì)中采用的高精度XGBoost代理模型+物理約束引導(dǎo)的遺傳算法框架 [17,99]，正是后一路徑的實(shí)踐。將來(lái)，究竟是通用大模型憑借其規(guī)模效應(yīng)最終勝出，還是垂直專用小模型因其物理一致性與任務(wù)針對(duì)性成為主流，仍是懸而未決的戰(zhàn)略性問(wèn)題 [128?131]。

(4)方法論根基:數(shù)據(jù)驅(qū)動(dòng)與物理驅(qū)動(dòng)孰為根本

在AI+Ti的方法論層面，數(shù)據(jù)驅(qū)動(dòng)與物理驅(qū)動(dòng)范式的根本地位之爭(zhēng)尤為突出。物理驅(qū)動(dòng)派強(qiáng)調(diào)必須以第一性原理計(jì)算、相場(chǎng)模擬、連續(xù)介質(zhì)力學(xué)等物理模型作為理論基礎(chǔ)，否則極易產(chǎn)生違背熱力學(xué)第二定律或晶體學(xué)基本規(guī)則的虛擬預(yù)測(cè)，尤其面對(duì)稀疏數(shù)據(jù)時(shí)風(fēng)險(xiǎn)極高;數(shù)據(jù)驅(qū)動(dòng)派認(rèn)為在鈦合金這類涉及多尺度、多物理場(chǎng)強(qiáng)耦合的極端復(fù)雜體系中，構(gòu)建全域精確的物理模型是一項(xiàng)不可能的任務(wù)。相比之下，數(shù)據(jù)驅(qū)動(dòng)方法憑借其強(qiáng)大的非線性擬合與模式識(shí)別能力，在有限數(shù)據(jù)下往往能獲得更優(yōu)的工程預(yù)測(cè)精度，展現(xiàn)出更強(qiáng)的普適性與靈活性。此爭(zhēng)論直指智能材料研發(fā)的方法論根基。當(dāng)前的共識(shí)趨向于深度融合，即以不可違背的物理定律為剛性骨架，對(duì)AI模型的輸出施加約束;同時(shí)以高質(zhì)量、多維度的實(shí)驗(yàn)與模擬數(shù)據(jù)為內(nèi)容，驅(qū)動(dòng)模型學(xué)習(xí)物理模型難以刻畫的復(fù)雜細(xì)節(jié)與經(jīng)驗(yàn)規(guī)律，最終形成物理引導(dǎo)、數(shù)據(jù)精修的混合智能范式。但是，如何在不同場(chǎng)景下最優(yōu)地平衡二者權(quán)重，尚無(wú)普適準(zhǔn)則 [87?89]。

6.2　未來(lái)發(fā)展方向與建議

隨著數(shù)據(jù)驅(qū)動(dòng)研發(fā)范式在材料科學(xué)領(lǐng)域的縱深發(fā)展，人工智能在高性能鈦基材料中的應(yīng)用正處于由單一的性能輔助預(yù)測(cè)向全流程、多尺度、多物理場(chǎng)耦合的系統(tǒng)性工程跨越 [3]。面對(duì)航空發(fā)動(dòng)機(jī)關(guān)鍵轉(zhuǎn)動(dòng)件與承力件對(duì)材料損傷容限、高溫?zé)岱€(wěn)定性以及極端工況適應(yīng)性的嚴(yán)苛要求，未來(lái)研究將致力于構(gòu)建貫穿成分設(shè)計(jì)、制備工藝優(yōu)化和服役行為評(píng)價(jià)的智能化研發(fā)體系。本節(jié)將從復(fù)雜服役行為的精細(xì)化預(yù)測(cè)與機(jī)理解析、制造過(guò)程的智能協(xié)同與閉環(huán)控制以及鈦合金專用物理信息感知模型的構(gòu)建與演進(jìn)3個(gè)維度，對(duì)該領(lǐng)域的未來(lái)發(fā)展趨勢(shì)進(jìn)行深入闡述。

(1)復(fù)雜服役環(huán)境下的材料性能預(yù)測(cè)與多尺度耦合

在力學(xué)性能預(yù)測(cè)方面，盡管目前關(guān)于室溫拉伸行為的回歸建模已取得較為成熟的成果，但是面向高性能鈦基材料在復(fù)雜服役環(huán)境下的性能演化規(guī)律，仍存在一系列亟待突破的難題。尤其在涉及多軸應(yīng)力狀態(tài)、高溫蠕變與疲勞耦合機(jī)制以及動(dòng)態(tài)沖擊載荷等多元復(fù)雜工況時(shí)，現(xiàn)有預(yù)測(cè)方法在物理建模精度與數(shù)據(jù)驅(qū)動(dòng)能力方面均顯不足，難以全面刻畫材料的真實(shí)響應(yīng)行為。未來(lái)的研究重心將被導(dǎo)向于建立包含多尺度微觀組織特征的深度學(xué)習(xí)架構(gòu) [132]。具體而言，模型輸入端將不再局限于宏觀的合金成分配比與熱處理溫度，而是引入通過(guò)計(jì)算機(jī)視覺(jué)與圖像分割技術(shù)提取的微觀組織定量描述符，如初生α相與次生α相的體積分?jǐn)?shù)、晶粒形貌、片層厚度、晶界取向差分布、織構(gòu)強(qiáng)度等。此外，針對(duì)疲勞壽命精準(zhǔn)預(yù)測(cè)這一關(guān)鍵科學(xué)挑戰(zhàn)，亟須構(gòu)建融合斷裂力學(xué)機(jī)理的概率型機(jī)器學(xué)習(xí)模型。該模型應(yīng)重點(diǎn)刻畫微觀缺陷分布的統(tǒng)計(jì)規(guī)律，量化其對(duì)裂紋萌生位置與擴(kuò)展壽命的貢獻(xiàn)權(quán)重，從而實(shí)現(xiàn)對(duì)鈦合金高周及超高周疲勞極限的精準(zhǔn)評(píng)估。通過(guò)引入物理機(jī)制約束，可顯著降低工程設(shè)計(jì)中過(guò)度依賴安全系數(shù)導(dǎo)致的冗余，提升結(jié)構(gòu)效率與可靠性。

在高溫抗氧化與阻燃性能方面，單純的數(shù)據(jù)驅(qū)動(dòng)建模將被化學(xué)-熱力學(xué)-流體力學(xué)耦合機(jī)制修正。在未來(lái)的預(yù)測(cè)模型構(gòu)建中，研究將聚焦于氧化膜生長(zhǎng)熱力學(xué)條件和動(dòng)力學(xué)過(guò)程的深入解析，通過(guò)整合合金元素(如鋁、鉻、鈮元素)在氧化膜與基體界面的擴(kuò)散系數(shù)、熱力學(xué)特征參數(shù)以及吉布斯自由能變化，模型可實(shí)現(xiàn)對(duì)氧化膜的Pilling-Bedworth比、內(nèi)應(yīng)力演化規(guī)律及剝落傾向的精準(zhǔn)預(yù)測(cè)。特別是在鈦火防控領(lǐng)域，基于現(xiàn)有的激光點(diǎn)火與燃燒實(shí)驗(yàn)積累的多維數(shù)據(jù)，機(jī)器學(xué)習(xí)將被用于構(gòu)建包含熱輸入密度、氧濃度、氣流速度、環(huán)境壓力、合金成分等多變量的高維燃燒邊界預(yù)測(cè)圖譜。通過(guò)集成基礎(chǔ) thermodynamics 計(jì)算數(shù)據(jù)(如各組分的飽和蒸氣壓、燃燒熱和絕熱火焰溫度)與流體力學(xué)特征(如熔體黏度和表面張力),構(gòu)建燃燒動(dòng)力學(xué)混合模型。該模型將在設(shè)計(jì)階段篩選出能夠通過(guò)形成連續(xù)致密氧化層，阻隔氧元素?cái)U(kuò)散，或利用高黏度熔體流動(dòng)抑制燃燒區(qū)域擴(kuò)展的新型阻燃鈦合金成分，從而大幅降低極端環(huán)境測(cè)試的試錯(cuò)成本與周期 [3]。

(2)全流程工藝參數(shù)的智能協(xié)同

單一工序的局部調(diào)整不再滿足對(duì)特殊目標(biāo)性能的定制要求，需推動(dòng)工藝優(yōu)化向熔煉-鍛造-熱處理-機(jī)械加工全流程的智能協(xié)同控制演進(jìn)。隨著傳統(tǒng)熔鑄及鍛造工藝的發(fā)展，機(jī)器學(xué)習(xí)正被引入以構(gòu)建面向多物理場(chǎng)耦合條件下的熱變形本構(gòu)關(guān)系。基于不同溫度、應(yīng)變速率及變形程度下測(cè)得的流變應(yīng)力數(shù)據(jù)，可通過(guò)模型訓(xùn)練實(shí)現(xiàn)對(duì)動(dòng)態(tài)再結(jié)晶、動(dòng)態(tài)回復(fù)與相變演化過(guò)程的預(yù)測(cè)。以此為基礎(chǔ)優(yōu)化熱加工窗口，能夠有效規(guī)避流變失穩(wěn)區(qū)域和絕熱剪切帶的產(chǎn)生，從而在大尺寸構(gòu)件制造過(guò)程中實(shí)現(xiàn)微觀組織均勻性的有效調(diào)控，并最大限度降低殘余應(yīng)力。在熱處理工藝的設(shè)計(jì)環(huán)節(jié)，相場(chǎng)模擬與機(jī)器學(xué)習(xí)算法的協(xié)同應(yīng)用成為重要技術(shù)路徑。通過(guò)逆向求解策略獲取理想雙態(tài)組織或網(wǎng)籃組織所需的最佳固溶溫度、冷卻速率與時(shí)效工藝參數(shù)，進(jìn)而實(shí)現(xiàn)對(duì)初生相含量、次生相析出特征及其空間分布的精確調(diào)控。

此外，人工智能在增材制造中的應(yīng)用將聚焦于過(guò)程缺陷的實(shí)時(shí)監(jiān)測(cè)與抑制。鑒于增材制造過(guò)程中涉及極快的熱循環(huán)(103~10? K/s)與復(fù)雜的熔池動(dòng)力學(xué),未來(lái)的研究將致力于開發(fā)基于多傳感器融合的在線監(jiān)測(cè)-實(shí)時(shí)反饋-參數(shù)調(diào)整閉環(huán)控制系統(tǒng)。通過(guò)卷積神經(jīng)網(wǎng)絡(luò)與循環(huán)神經(jīng)網(wǎng)絡(luò)等深度學(xué)習(xí)算法，對(duì)加工過(guò)程中的熔池光學(xué)圖像、聲發(fā)射信號(hào)、熱輻射數(shù)據(jù)及鋪粉質(zhì)量進(jìn)行實(shí)時(shí)處理，識(shí)別未熔合、氣孔、球化、微裂紋等缺陷特征。在此基礎(chǔ)上，建立工藝參數(shù)(如激光功率、掃描速率和掃描間距)與打印件致密度、殘余應(yīng)力分布及微觀組織織構(gòu)之間的動(dòng)態(tài)關(guān)聯(lián)模型。通過(guò)主動(dòng)學(xué)習(xí)框架，模型能夠在制造過(guò)程中動(dòng)態(tài)修正掃描策略與能量輸入,以消除各向異性、抑制柱狀晶生長(zhǎng)并減少缺陷形成,從而制備出性能均一且滿足航空適航標(biāo)準(zhǔn)的增材制造鈦合金構(gòu)件 [133?134]。

(3)鈦合金專用物理信息感知模型的構(gòu)建與演進(jìn)

針對(duì)高性能鈦基材料研發(fā)中普遍存在的數(shù)據(jù)獲取成本高、樣本量小且高維空間分布稀疏的特征,直接應(yīng)用通用型大數(shù)據(jù)算法往往面臨過(guò)擬合風(fēng)險(xiǎn)高或物理可解釋性缺失的問(wèn)題。因此,構(gòu)建深度融入鈦合金領(lǐng)域知識(shí)的物理信息感知機(jī)器學(xué)習(xí)模型是未來(lái)算法演進(jìn)的核心方向 [132]。

該框架將通過(guò)三大核心策略進(jìn)行系統(tǒng)性重構(gòu)，首先在特征工程層面將不再局限于傳統(tǒng)的元素摩爾分?jǐn)?shù),而是深度融合物理冶金原理,引入鉬當(dāng)量、鋁當(dāng)量、價(jià)電子濃度、d電子軌道能級(jí)參數(shù)(如Md和Bo)、原子半徑錯(cuò)配度、電負(fù)性差、混合焓等具有明確物理意義的復(fù)合參數(shù),以此實(shí)現(xiàn)對(duì)鈦合金相穩(wěn)定性、固溶強(qiáng)化機(jī)理、電子結(jié)構(gòu)等內(nèi)在機(jī)制的精準(zhǔn)表征 [4]。這種降維處理不僅能有效減少計(jì)算負(fù)荷,更賦予模型在小樣本數(shù)據(jù)條件下的魯棒性與泛化能力，使其能夠捕捉到隱藏在復(fù)雜成分配比背后的物理化學(xué)規(guī)律。此外，為了突破"黑箱限制",需要將模型的可解釋性提升至與預(yù)測(cè)精度同等重要的地位。通過(guò)應(yīng)用SHAP等博弈論解釋工具,能夠精確量化各合金元素及工藝參數(shù)對(duì)目標(biāo)性能的邊際貢獻(xiàn)，這不僅有助于驗(yàn)證模型預(yù)測(cè)邏輯是否符合物理冶金常識(shí)(例如驗(yàn)證鋁、鋯元素對(duì)α相穩(wěn)定性的正向貢獻(xiàn)，或釩、鉬元素降低β相轉(zhuǎn)變溫度的作用),還能通過(guò)特征重要性排序?yàn)樾虏牧系某煞终{(diào)整提供明確的方向指引，輔助科研人員發(fā)現(xiàn)如晶界偏聚、短程有序結(jié)構(gòu)等新的強(qiáng)化機(jī)制。更重要的是,面對(duì)高維設(shè)計(jì)空間中的數(shù)據(jù)稀疏問(wèn)題,引入主動(dòng)學(xué)習(xí)與遷移學(xué)習(xí)策略是目前最適配的解決方案。構(gòu)建基于高斯過(guò)程回歸與貝葉斯優(yōu)化等算法的采集函數(shù)，能夠使模型具備實(shí)驗(yàn)路徑的自主規(guī)劃能力，在探索未知區(qū)域與開發(fā)高值區(qū)域之間實(shí)現(xiàn)自適應(yīng)平衡。該策略通過(guò)推薦信息增益最大或性能提升潛力最顯著的成分點(diǎn)或工藝點(diǎn)進(jìn)行驗(yàn)證,并將新生成的實(shí)驗(yàn)數(shù)據(jù)實(shí)時(shí)融入數(shù)據(jù)集驅(qū)動(dòng)模型迭代更新。由此可在最小化實(shí)驗(yàn)迭代次數(shù)的前提下高效逼近性能帕累托最優(yōu)邊界。同時(shí)，還可以利用在低成本鈦合金(如Ti-6Al-4V合金)或典型成熟數(shù)據(jù)庫(kù)中預(yù)訓(xùn)練的模型參數(shù)，通過(guò)遷移學(xué)習(xí)策略應(yīng)用至高性能但數(shù)據(jù)稀缺的新型鈦基材料體系中，將成為解決小樣本難題、加速新材料研發(fā)周期的有效途徑。

綜上所述，人工智能在高性能鈦基材料中的應(yīng)用正處于由唯象數(shù)據(jù)擬合向物理機(jī)理融合過(guò)渡的關(guān)鍵階段。未來(lái)通過(guò)深度融合材料基因工程要素、先進(jìn)算法與高通量實(shí)驗(yàn)技術(shù),有望建立起具有高物理保真度、強(qiáng)泛化能力與自主進(jìn)化特征的鈦合金智能研發(fā)系統(tǒng)，為新一代高性能鈦基材料的快速迭代與工程化應(yīng)用提供核心驅(qū)動(dòng)力。盡管AI+Ti的研究目標(biāo)與應(yīng)用場(chǎng)景千差萬(wàn)別，但其實(shí)施通常遵循一個(gè)可重復(fù)的結(jié)構(gòu)化工作流程，以科學(xué)問(wèn)題為起點(diǎn)，以工程驗(yàn)證為終點(diǎn)，形成閉環(huán)迭代的研發(fā)范式，確保了研究的系統(tǒng)性與有效性，

由圖12可見(jiàn)，該流程通常始于對(duì)科學(xué)問(wèn)題的清晰界定，這一環(huán)節(jié)為整個(gè)研究過(guò)程提供方向和邊界，對(duì)后續(xù)模型構(gòu)建與材料設(shè)計(jì)具有基礎(chǔ)性作用。通過(guò)明確材料設(shè)計(jì)目標(biāo)和應(yīng)用背景，并據(jù)此建立輸入變量與輸出性能之間的基本關(guān)系框架。在此基礎(chǔ)上，需要構(gòu)建材料數(shù)據(jù)層，高質(zhì)量數(shù)據(jù)是人工智能驅(qū)動(dòng)材料設(shè)計(jì)的核心支撐，相關(guān)信息通常來(lái)源于實(shí)驗(yàn)測(cè)量、第一性原理計(jì)算、高通量模擬、已有文獻(xiàn)數(shù)據(jù)庫(kù)等多種渠道，通過(guò)數(shù)據(jù)清洗、整理與標(biāo)準(zhǔn)化處理形成可用于模型訓(xùn)練的結(jié)構(gòu)化數(shù)據(jù)集。隨后通過(guò)特征工程將原始材料信息轉(zhuǎn)化為機(jī)器學(xué)習(xí)可識(shí)別的描述符，并將復(fù)雜材料體系映射為可學(xué)習(xí)的特征向量,從而提升模型對(duì)結(jié)構(gòu)-性能關(guān)系的識(shí)別能力。在模型構(gòu)建階段，多種機(jī)器學(xué)習(xí)算法被用于建立材料描述符與目標(biāo)性能之間的映射關(guān)系，從高維數(shù)據(jù)中提取潛在規(guī)律，實(shí)現(xiàn)材料性能的快速預(yù)測(cè)，并在一定程度上揭示復(fù)雜數(shù)據(jù)背后的結(jié)構(gòu)-性能關(guān)聯(lián)。在獲得穩(wěn)定預(yù)測(cè)能力的模型后，可以進(jìn)一步開展反向設(shè)計(jì)與優(yōu)化，通過(guò)在高維成分空間或工藝參數(shù)空間中搜索潛在材料組合，以目標(biāo)性能為導(dǎo)向篩選候選材料,在有限實(shí)驗(yàn)條件下顯著提升材料設(shè)計(jì)效率。最后，模型預(yù)測(cè)得到的候選材料仍需通過(guò)實(shí)驗(yàn)制備與多尺度表征進(jìn)行驗(yàn)證,實(shí)驗(yàn)結(jié)果不僅用于驗(yàn)證模型預(yù)測(cè)的可靠性，還能夠作為新的數(shù)據(jù)重新反饋至數(shù)據(jù)庫(kù)中,用于持續(xù)更新模型并優(yōu)化后續(xù)設(shè)計(jì)過(guò)程,從而形成數(shù)據(jù)、模型與實(shí)驗(yàn)協(xié)同推進(jìn)的材料研發(fā)閉環(huán)。

7、結(jié)束語(yǔ)

AI+Ti的研發(fā)已超越初期技術(shù)嘗試階段,正步入以解決深層重大科學(xué)問(wèn)題與工程需求為導(dǎo)向的縱深發(fā)展期,升級(jí)為一場(chǎng)值得深刻理解并最終駕馭高性能鈦基材料的認(rèn)知與范式變革。從根本上說(shuō)，AI+Ti走向應(yīng)用端成功與否，關(guān)鍵在于能否實(shí)現(xiàn)高性能鈦基材料的多尺度物理建模與人工智能算法協(xié)同演進(jìn)，并共同推進(jìn)人工智能鈦科學(xué)研究新范式。不僅要用AI創(chuàng)造鈦的領(lǐng)域新知識(shí)，而且要用鈦的強(qiáng)化理論來(lái)約束和啟迪AI的構(gòu)建，涉及鈦基材料研究智能體、專業(yè)語(yǔ)言模型以及逆向設(shè)計(jì)與性能優(yōu)化。未來(lái)，最有力的高性能鈦基材料研究智能體，必將根植于相變動(dòng)力學(xué)、缺陷物理和使役失效機(jī)理的底層邏輯并深度融合于算法模型之中。面對(duì)AI+Ti數(shù)據(jù)、驗(yàn)證與集成的機(jī)遇挑戰(zhàn)，需要學(xué)術(shù)界與工業(yè)界構(gòu)建新型協(xié)作生態(tài)，共同定義問(wèn)題、創(chuàng)造數(shù)據(jù)、開發(fā)工具并重構(gòu)流程。只有這樣，AI+Ti才能將深刻認(rèn)知從原子排列延伸至部件性能，在預(yù)測(cè)、設(shè)計(jì)與制造中釋放創(chuàng)新自由，最終為國(guó)之重器自主研制奠定堅(jiān)實(shí)的智能基石。

參考文獻(xiàn)

[1] WU S W, GAO C, HE Y T, et al. Development and application of a data-driven and mechanistic hybrid model for predicting the microstructure and property of hot-rolled Ti micro-alloyed steel[J]. Materials Today Communications,2025,48:113292.

[2] HE Q F, WANG X F, WANG Q, et al. Designing refractory complex concentrated alloys for extreme environments[J]. Current Opinion in Solid State and Materials Science,2026,41:101255.

[3] 弭光寶，孫圓治，吳明宇，等. 機(jī)器學(xué)習(xí)在航空發(fā)動(dòng)機(jī)鈦合金研究中的應(yīng)用進(jìn)展[J]. 航空制造技術(shù),2024,67(1/2):66-78.

MI G B, SUN Y Z, WU M Y, et al. Applications of machine learning on aero-engine titanium alloys[J]. Aeronautical Manufacturing Technology, 2024, 67(1/2):66-78.

[4] CHAKRABORTY S, BJORK J, DAHLQVIST M, et al. A survey of AI-supported materials informatics[J]. Computer Science Review,2026,59:100845.

[5] MADIKA B, SAHA A, KANG C, et al. Artificial intelligence for materials discovery, development, and optimization[J]. ACS Nano,2025,19(30):27116-27158.

[6] TEZSEZEN E, YIGCI D, AHMADPOUR A, et al. AI-based metamaterial design[J]. ACS Applied Materials & Interfaces,2024,16(23):29547-29569.

[7] CHENG M Y, FU C L, OKABE R, et al. Artificial intelligence-driven approaches for materials design and discovery[J]. Nature Materials,2026,25(2):174-190.

[8] LIU Q, CHEN W L, YAKUBOV V, et al. Interpretable machine learning approach for exploring process-structure-property relationships in metal additive manufacturing[J]. Additive Manufacturing,2024,85:104187.

[9] TANG Y C, WAN Y, WANG Z Q, et al. Machine learning and Python assisted design and verification of Fe-based amorphous/nanocrystalline alloy[J]. Materials & Design,2022,219:110726.

[10] BATTINENI G, CHINTALAPUDI N, AMENTA F. Machine learning in medicine: performance calculation of dementia prediction by support vector machines(SVM)[J]. Informatics in Medicine Unlocked,2019,16:100200.

[11] CECEN A, DAI H J, YABANSU Y C, et al. Material structure-property linkages using three-dimensional convolutional neural networks[J]. Acta Materialia, 2018,146:76-84.

[12] MAIA M A, ROCHA I B C M, KOVA?EVI? D, et al. Physically recurrent neural network for rate and path-dependent heterogeneous materials in a finite strain framework[J]. Mechanics of Materials, 2024, 198:105145.

[13] ZHANG W, LI P Y, WANG L, et al. Prediction of the yield strength of as-cast alloys using the random forest algorithm[J]. Materials Today Communications, 2024,38:108520.

[14] DURODOLA J F. Machine learning for design, phase transformation and mechanical properties of alloys[J]. Progress in Materials Science,2022,123:100797.

[15] XIE T, GROSSMAN J C. Crystal graph convolutional neural networks for an accurate and interpretable prediction of material properties[J]. Physical Review Letters,2018,120(14):145301.

[16] SCHMIDT J, PETTERSSON L, VERDOZZI C, et al. Crystal graph attention networks for the prediction of stable materials[J]. Science Advances,2021,7(49):7948.

[17] MI G B, SUN Y Z, SUN R C, et al. Machine learning assisted optimization design and microstructure-property evolution mechanisms of 600℃ high temperature burn resistant titanium alloys[J]. Materials & Design,2026,261:115381.

[18] CHAI C R, WANG Y, ZHAO S, et al. Machine learning-assisted design of low elastic modulus β-type medical titanium alloys and experimental validation[J]. Computational Materials Science,2024,238:112902.

[19] 弭光寶，孫若晨，吳明宇，等. 航空發(fā)動(dòng)機(jī)鈦合金分子動(dòng)力學(xué)計(jì)算技術(shù)研究進(jìn)展[J]. 航空材料學(xué)報(bào),2024,44(2):87-103.

MI G B, SUN R C, WU M Y, et al. Research progress of molecular dynamic calculation on titanium alloys for aero-engine[J]. Journal of Aeronautical Materials,2024,44(2):87-103.

[20] MORTAZAVI B, ZHUANG X Y, RABCZUK T, et al. Atomistic modeling of the mechanical properties: the rise of machine learning interatomic potentials[J]. Materials Horizons,2023,10(6):1956-1968.

[21] WANG G J, WANG C R, ZHANG X G, et al. Machine learning interatomic potential: bridge the gap between small-scale models and realistic device-scale simulations[J]. Iscience,2024,27(5):109673.

[22] MISHIN Y. Machine-learning interatomic potentials for materials science[J]. Acta Materialia, 2021, 214:116980.

[23] EYERT V, WORMALD J, CURTIN W A, et al. Machine-learned interatomic potentials: recent developments and prospective applications[J]. Journal of Materials Research,2023,38(24):5079-5094.

[24] ALLEN C S, BARTóK P. Multi-phase dataset for bulk Ti and the Ti-6Al-4V alloy[J]. Scientific Data,2025,12:1925.

[25] QI J, AITKEN Z H, PEI Q, et al. Machine learning moment tensor potential for modeling dislocation and fracture in L1?-TiAl and D0??-Ti?Al alloys[J]. Physical Review Materials,2023,7(10):103602.

[26] ZHAI B, WANG H P. Accurate interatomic potential for the nucleation in liquid Ti-Al binary alloy developed by deep neural network learning method[J]. Computational Materials Science,2023,216:111843.

[27] CHANDRAN A, SANTHOSH A, PISTIDDA C, et al. Comparative analysis of ternary TiAlNb interatomic potentials: moment tensor vs. deep learning approaches[J]. Frontiers in Materials,2024,11:1466793.

[28] CHANDRAN A, SANTHOSH A, PISTIDDA C, et al. TiAlNb alloy interatomic potentials: comparing passive and active machine learning techniques with MTP and DeePMD[J]. Frontiers in Materials,2025,12:1591955.

[29] MUKHAMEDOV B, TASNáDI F, ABRIKOSOV I A. Machine learning interatomic potential for the low-modulus Ti-Nb-Zr alloys in the vicinity of dynamical instability[J]. Materials & Design,2025,253:113865.

[30] LI H Q, CHENG C, CHEN K Y, et al. Deep learning potential-driven study of multiscale structural and thermodynamic behaviors in PtTi alloys[J]. Journal of Physics and Chemistry of Solids,2026,208:113044.

[31] LOBZENKO I, MORI H, TSURU T. Machine learning potentials for refractory high-entropy alloys applied to atomistic modeling of dislocation slip behavior[J]. Journal of Materials Research and Technology, 2026, 40:3798-3805.

[32] PANDEY A, GIGAX J, POKHAREL R. Machine learning interatomic potential for high-throughput screening of high-entropy alloys[J]. JOM,2022,74(8):2908-2920.

[33] SHEN L J, WANG Y, LAI W S. Development of a machine learning potential for the study of crack propagation in titanium[J]. International Journal of Pressure Vessels and Piping,2021,194:104514.

[34] QANBARIAN M, QASEMIAN A, ARAB B. Molecular dynamics simulation of enhanced heat transfer through conical Al/Cu nanostructures[J]. Computational Materials Science,2020,180:109710.

[35] CHO E, SON W J, CHO E, et al. Atomistic insights into adhesion characteristics of tungsten on titanium nitride using steered molecular dynamics with machine learning interatomic potential[J]. Scientific Reports, 2023,13:17145.

[36] WEN T Q, WANG R, ZHU L Y, et al. Specialising neural network potentials for accurate properties and application to the mechanical response of titanium[J]. npj Computational Materials,2021,7(1):206.

[37] DICKEL D, FRANCIS D K, BARRETT C D. Neural network aided development of a semi-empirical interatomic potential for titanium[J]. Computational Materials Science,2020,171:109157.

[38] SHUANG F, LIU K, JI Y C, et al. Modeling extensive defects in metals through classical potential-guided sampling and automated configuration reconstruction[J]. npj Computational Materials,2025,11(1):118.

[39] LIN S Y, CASILLAS-TRUILLO L, TASNáDI F, et al. Machine-learning potentials for nanoscale simulations of tensile deformation and fracture in ceramics[J]. npj Computational Materials,2024,10(1):67.

[40] MAURYA A K, NARAYANA P L, YEOM J T, et al. Artificial neural network modeling of Ti-6Al-4V alloys to correlate their microstructure and mechanical properties[J]. Materials,2025,18(5):1099.

[41] ALRFOU K, ZHAO T, KORDIJAZI A. Deep learning methods for microstructural image analysis: the state-of-the-art and future perspectives[J]. Integrating Materials and Manufacturing Innovation,2024,13(3):703-731.

[42] MONTALBANO T, NIMER S, DAFFRON M, et al. Machine learning enabled discovery of new L-PBF processing domains for Ti-6Al-4V[J]. Additive Manufacturing,2025,98:104632.

NOHIRA  N， ICHISAWA  T， TAHARA  M， et  al.Machine  learning-based  prediction  of  the  mechanicalproperties of β titanium shape memory alloys[J]. Journal  of  Materials  Research  and  Technology， 2025， 34：2634-2644.

[44] JI Y Z, WANG P, WANG S Q, et al. Machine learning-driven design optimization of high-strength titanium alloys for petroleum industry applications[J]. Journal of Physics: Conference Series,2025,3129(1):012068.

[45] CHE L, HE Z P, ZHENG K Y, et al. Deep learning in alloy material microstructures: application and prospects[J]. Materials Today Communications, 2023,37:107531.

[46] PAN J C, HU D Y, ZHOU L C, et al. Semantic segmentation of defects based on DCNN and its application on fatigue lifetime prediction for SLM Ti-6Al-4V alloy[J]. Philosophical Transactions of the Royal Society A: Mathematical, Physical and Engineering Sciences,2024,382(2264):20220396.

[47] FOTOS G, CAMPBELL A, MURRAY P, et al. Deep learning enhanced Watershed for microstructural analysis using a boundary class semantic segmentation[J]. Journal of Materials Science, 2023, 58(36): 14390-14410.

[48] LIU X G, NIU H Z, ZHAO S Z, et al. Microstructural evolution and prediction of TC18 titanium alloys by high-throughput technology and machine learning[J]. Journal of Alloys and Compounds,2025,1017:179202.

[49] HAO W Q, SHI D Q, LIU C Q, et al. A novel microstructure-informed machine learning framework for mechanical property evaluation of SiC/Ti composites[J]. Journal of Materials Research and Technology, 2024,28:420-433.

[50] ZHU Y C, DU Z X, GONG T H, et al. Accurate reconstruction and prediction of T55511 titanium alloy microstructure using DDPM model and quantitative evaluation[J]. Progress in Natural Science: Materials International,2025,35(4):712-723.

[51] CHEN W M, LING J F, BAI K W, et al. High-throughput studies and machine learning for design of β titanium alloys with optimum properties[J]. Transactions of Nonferrous Metals Society of China, 2024, 34(10):3194-3207.

[52] AN S Y, LI K, ZHU L, et al. A framework for computer-aided high performance titanium alloy design based on machine learning[J]. Frontiers in Materials,2024,11:1364572.

[53] PADHY S P, DAVIDSON K P, TAN L P, et al. Integrated design framework for titanium aluminides through interpretable machine learning[J]. Journal of Alloys and Compounds,2025,1047:184937.

[54] WANG P, JIANG Y, LIAO W J, et al. Generalizable descriptors for automatic titanium alloys design by learning from texts via large language model[J]. Acta Materialia,2025,296:121275.

[55] 弭光寶，譚勇，陳航，等. 增材制造600℃高溫鈦合金研究進(jìn)展[J]. 航空材料學(xué)報(bào),2024,44(1):15-30.

MI G B, TAN Y, CHEN H, et al. Progress on additive manufacturing of 600℃ high-temperature titanium alloys[J]. Journal of Aeronautical Materials, 2024,44(1):15-30.

[56] ZHANG F Y, HUANG K H, ZHAO K X, et al. Directed energy deposition combining high-throughput technology and machine learning to investigate the composition-microstructure-mechanical property relationships in titanium alloys[J]. Journal of Materials Processing Technology,2023,311:117800.

[57] MAITRA V, SHI J, LU C Y. Robust prediction and validation of as-built density of Ti-6Al-4V parts manufactured via selective laser melting using a machine learning approach[J]. Journal of Manufacturing Processes,2022,78:183-201.

[58] LEE J A, PARK J, SAGONG M J, et al. Active learning framework to optimize process parameters for additive-manufactured Ti-6Al-4V with high strength and ductility[J]. Nature Communications,2025,16(1):931.

[59] PAN N X, YE X, XIA P, et al. The temperature field prediction and estimation of Ti-Al alloy twin-wire plasma arc additive manufacturing using a one-dimensional convolution neural network[J]. Applied Sciences,2024,14(2):661.

[60] SUN L F, ZHANG H Y, LIU Z D, et al. Physical-information machine learning for strength and ductility prediction of metastable β titanium alloys[J]. Materials Research Letters,2026,14(2):204-213.

[61] WHITNEY B C, SPANGENBERGER A G, RODGERS T M, et al. Part-scale microstructure prediction for laser powder bed fusion Ti-6Al-4V using a hybrid mechanistic and machine learning model[J]. Additive Manufacturing,2024,94:104500.

[62] BALAMURUGAN R, CHEN J, MENG C Y, et al. Data-driven approaches for fatigue prediction of Ti-6Al-4V parts fabricated by laser powder bed fusion[J]. International Journal of Fatigue,2024,182:108167.

[63] ZHU S Y, ZHANG Y, CHEN X, et al. A multi-algorithm integration machine learning approach for high cycle fatigue prediction of a titanium alloy in aero-engine[J]. Engineering Fracture Mechanics,2023,289:109485.

[64] LI S, HAO P F, XU S, et al. Optimization of Johnson-Cook constitutive parameters of titanium alloy based on a machine learning-accelerated genetic algorithm[J]. Materials Today Communications,2025,49:114061.

[65] ZHANG S, ZHANG H Y, LIU X J, et al. Thermal deformation behavior investigation of Ti-10V-5Al-2.5Fe-0.1B titanium alloy based on phenomenological constitutive models and a machine learning method[J]. Journal of Materials Research and Technology, 2024,29:589-608.

[66] HU Z L, LI Q, LIU Y Z, et al. Prediction of near-β titanium alloy hot deformation behavior through phenomenological and machine learning models[J]. Journal of Alloys and Compounds,2025,1042:183847.

[67] XU K, XIAO X L, WANG L J, et al. Data-driven materials research and development for functional coatings[J]. Advanced Science,2024,11(42):2405262.

[68] POLLICE R, DOS PASSOS GOMES G, ALDEGHI M, et al. Data-driven strategies for accelerated materials design[J]. Accounts of Chemical Research, 2021,54(4):849-860.

[69] CHEN T, WU W N, LI W P, et al. Laser cladding of nanoparticle TiC ceramic powder: effects of process parameters on the quality characteristics of the coatings and its prediction model[J]. Optics & Laser Technology,2019,116:345-355.

[70] LIN J T, LIANG Y J, DAI C W, et al. Intelligent optimization of Ti6Al4V alloy surface photolithography parameters via machine learning: a data-driven framework for precision manufacturing in industrial applications[J]. Materials Chemistry and Physics, 2025, 346:131388.

[71] SINGH V, BANSAL A, JINDAL M, et al. Slurry erosion resistance, morphology, and machine learning modeling of plasma-sprayed Si?N?+TiC+VC and CrNi based ceramic coatings[J]. Ceramics International, 2024,50(16):27961-27973.

[72] KOLESNIKOV V I, PASHKOV D M, BELYAK O A, et al. Design of double layer protective coatings: finite element modeling and machine learning approximations[J]. Acta Astronautica,2023,204:869-877.

[73] HAO J, GAO L H, MA Z, et al. Exploration of the oxidation and ablation resistance of ultra-high-temperature ceramic coatings using machine learning[J]. Ceramics International,2022,48(19):28428-28437.

[74] KUMARAN V, MURALIDHARAN B. Prediction of coating layer thickness and surface hardness in electric discharge coating process using RSM, ANN, and ANFIS with ANOVA optimization[J]. Proceedings of the Institution of Mechanical Engineers, Part E: Journal of Process Mechanical Engineering, 2025: 09544089251314753.

[75] LIM J S, OH W J, LEE C M, et al. Selection of effective manufacturing conditions for directed energy deposition process using machine learning methods[J]. Scientific Reports,2021,11(1):24169.

[76] ZHAO Y D, XIANG Y J, TANG K K. Machine learning-based fatigue life prediction of lamellar titanium alloys: a microstructural perspective[J]. Engineering Fracture Mechanics,2024,303:110106.

[77] DANG L W, HE X F, TANG D C, et al. Pore-induced fatigue failure: a prior progressive fatigue life prediction framework of laser-directed energy deposition Ti-6Al-4V based on machine learning[J]. Theoretical and Applied Fracture Mechanics,2024,130:104276.

[78] LI L J, ZHANG R S, ZHAO J C, et al. Ultra-high cycle fatigue life prediction of titanium alloy with small sample size based on the PSO-BP model[J]. Engineering Fracture Mechanics,2025,324:111271.

[79] GUO Y H, WANG S C, LIU G. Creep-fatigue life prediction of a titanium alloy deep-sea submersible using a continuum damage mechanics-informed BP neural network model[J]. Ocean Engineering,2024,311:118826.

[80] SONG X, HAN N, QI H P, et al. Study on the damage mechanism of titanium alloy threads during roll forming based on a machine learning-assisted multi-scale damage model[J]. International Journal of Solids and Structures,2026,328:113830.

[81] HAO Y, DENG L, LIU Z, et al. Constitutive modeling of TC18 titanium alloy incorporating dynamic phase transformation and recrystallization with machine learning assistance[J]. Journal of Alloys and Compounds,2025,1047:184982.

[82] LI W B, CAI Z S, BAO K, et al. A big data approach to artificial intelligence driven predictive modelling for optimizing material properties in additive manufacturing[J]. Scientific Reports,2026,16(1):286.

[83] ZONG B T, LI J S, WANG P, et al. Spatiotemporal microstructure evolution during martensitic transformation in titanium alloys using deep learning[J]. Acta Materialia,2025,301:121603.

[84] BAI X P, ZHANG X C. Artificial intelligence-powered materials science[J]. Nano-Micro Letters, 2025,17(1):135.

[85] GOSWAMI L, DEKA M K, ROY M. Artificial intelligence in material engineering: a review on applications of artificial intelligence in material engineering[J]. Advanced Engineering Materials, 2023, 25(13):2300104.

[86] HUANG J S, LIEW J X, ADEMILOYE A S, et al. Artificial intelligence in materials modeling and design[J]. Archives of Computational Methods in Engineering,2021,28(5):3399-3413.

[87] CIFTCI K, HACKL K. A physics-informed GAN framework based on model-free data-driven computational mechanics[J]. Computer Methods in Applied Mechanics and Engineering,2024,424:116907.

[88] RAISSI M, PERDIKARIS P, KARNIADAKIS G E. Physics-informed neural networks: a deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations[J]. Journal of Computational Physics,2019,378:686-707.

[89] ZHONG W H, MEIDANI H. PI-VAE: physics-informed variational auto-encoder for stochastic differential equations[J]. Computer Methods in Applied Mechanics and Engineering,2023,403:115664.

[90] LIU Z H, CHAI Y B, LI J F. Toward automated simulation research workflow through LLM prompt engineering design[J]. Journal of Chemical Information and Modeling,2025,65(1):114-124.

[91] GAO F Y, ZHANG W W, LIU X T, et al. Review: recent progress in titanium alloys development via machine learning and high-throughput preparation[J]. Journal of Materials Science, 2025, 60(37): 16655-16683.

[92] CAO Y, FU H, LU J, et al. Artificial intelligence empowered new materials: discovery, synthesis, prediction to validation[J]. Nano-Micro Letters, 2026,18(1):109.

[93] ZHANG X H, RAN X, WANG Z, et al. Designing laser powder bed fusion low-alloyed titanium with superior strength-ductility trade-off via machine learning[J]. Journal of Materials Science & Technology,2025, 237:323-330.

[94] LIU Z, ZHANG H, ZHANG S, et al. A machine learning method approach for designing novel high strength and plasticity metastable β titanium alloys[J]. Progress in Natural Science: Materials International, 2025,35(1):156-165.

[95] WANG Z, ZHANG H, WANG S, et al. A machine learning method based on TPE-XGBoost model for TRIP/TWIP near-β titanium alloy design[J]. Materials Today Communications,2024,41:110309.

[96] LIU Z, ZHANG H, SUN L, et al. A machine learning multitasking integrated framework and its derived [Mo]eq-[Fe]eq map for designing TRIP titanium alloys[J]. Materials & Design,2025,260:115254.

[97] PAN J Y, SHI R H, ZHANG Z H, et al. Composition-deformation mechanism-property machine learning model for strength-ductility improvement of β-type titanium alloys[J]. International Journal of Plasticity,2025,194:104461.

[98] YAN H, LI Q, YANG B, et al. Modeling and prediction method for Young's moduli of Ti alloys based on residual muti-layer perceptron[J]. JOM,2025,77(1):76-90.

[99] SUN Y Z, MI G B, LI P J, et al. Prediction of oxidation resistance of Ti-V-Cr burn resistant titanium alloy based on machine learning[J]. npj Materials Degradation,2025,9(1):3.

[100] LIU Y, GAO X X, ZHU S Y, et al. Fatigue life prediction of selective laser melted titanium alloy based on a machine learning approach[J]. Engineering Fracture Mechanics,2025,314:110676.

[101] LUO J J, QIN B, WANG B. Generative adversarial network-based data augmentation for improving creep life prediction of high-temperature titanium alloys[J]. Materials Science and Engineering: A,2026,950:149513.

[102] ZHU S Y, ZHANG Y, ZHU B C, et al. High cycle fatigue life prediction of titanium alloys based on a novel deep learning approach[J]. International Journal of Fatigue,2024,182:108206.

[103] GUO K, YANG Z Z, YU C H, et al. Artificial intelligence and machine learning in design of mechanical materials[J]. Materials Horizons,2021,8(4):1153-1172.

[104] WANG L, DONG J, ZHANG W J, et al. Deep learning assisted optimization of metasurface for multi-band compatible infrared stealth and radiative thermal management[J]. Nanomaterials,2023,13(6):1030.

[105] BALLARD Z S, JOUNG H A, GONCHAROV A, et al. Deep learning-enabled point-of-care sensing using multiplexed paper-based sensors[J]. npj Digital Medicine,2020,3:66.

[106] WILKINSON M O, ANDERSON R S, BRADLEY A, et al. Neural bandwidth of veridical perception across the visual field[J]. Journal of Vision, 2016,16(2):1.

[107] HERRIOTT C, SPEAR A D. Predicting microstructure-dependent mechanical properties in additively manufactured metals with machine- and deep-learning methods[J]. Computational Materials Science, 2020,175:109599.

[108] CHOUDHARY K, DECOST B, CHEN C, et al. Recent advances and applications of deep learning methods in materials science[J]. npj Computational Materials,2022,8(1):59.

[109] XU P C, JI X B, LI M J, et al. Small data machine learning in materials science[J]. npj Computational Materials,2023,9(1):42.

[110] DAGDELEN J, DUNN A, LEE S, et al. Structured information extraction from scientific text with large language models[J]. Nature Communications, 2024,15(1):1418.

[111] MERENDA M, PORCARO C, IERO D. Edge machine learning for AI-enabled IoT devices: a review[J]. Sensors,2020,20(9):2533.

[112] ZHONG X T, GALLAGHER B, LIU S S, et al. Explainable machine learning in materials science[J]. npj Computational Materials,2022,8(1):204.

[113] XIE Y F, FENG S, DENG L X, et al. Inverse design of chiral functional films by a robotic AI-guided system[J]. Nature Communications, 2023, 14(1):6177.

[114] DOS REIS F, KARATHANASOPOULOS N. Inverse metamaterial design combining genetic algorithms with asymptotic homogenization schemes[J]. International Journal of Solids and Structures,2022,250:111702.

[115] RUTKOWSKI S, BUEKERS J, RUTKOWSKA A, et al. Monitoring physical activity with a wearable sensor in patients with COPD during in-hospital pulmonary rehabilitation program: a pilot study[J]. Sensors, 2021,21(8):2742.

[116] NAZIR A, GOKCEKAYA O, MD MASUM BILLAH K, et al. Multi-material additive manufacturing: a systematic review of design, properties, applications, challenges, and 3D printing of materials and cellular metamaterials[J]. Materials & Design,2023,226:111661.

[117] BADINI S, REGONDI S, PUGLIESE R. Unleashing the power of artificial intelligence in materials design[J]. Materials,2023,16(17):5927.

[118] BUEHLER E L, BUEHLER M J. End-to-end prediction of multimaterial stress fields and fracture patterns using cycle-consistent adversarial and transformer neural networks[J]. Biomedical Engineering Advances, 2022, 4:100038.

[119] MACHADO J, SOUSA R, PEIXOTO H, et al. Ethical decision-making in artificial intelligence: a logic programming approach[J]. AI,2024,5(4):2707-2724.

[120] SCHOMMARTZ J O, KLEIN D K, ALZATE COBO J C, et al. Physics-augmented neural networks for constitutive modeling of hyperelastic geometrically exact beams[J]. Computer Methods in Applied Mechanics and Engineering,2025,435:117592.

[121] JIANG X, XUE D Z, BAI Y, et al. AI4Materials: transforming the landscape of materials science and engineering[J]. Review of Materials Research, 2025, 1(1):100010.

[122] OIKAVA Y, DEFFRENNES G, SHIMAYOSHI R, et al. aLLoyM: a large language model for alloy phase diagram prediction[J]. npj Computational Materials, 2026,12(1):97.

[123] SZYMANSKI N J, RENDY B, FEI Y X, et al. An autonomous laboratory for the accelerated synthesis of inorganic materials[J]. Nature,2023,624(7990):86-91.

[124] MERCHANT A, BATZNER S, SCHOENHOLZ S S, et al. Scaling deep learning for materials discovery[J]. Nature,2023,624(7990):80-85.

[125] BOULEMTAFES A, DERHAB A, CHALLAL Y. A review of privacy-preserving techniques for deep learning[J]. Neurocomputing,2020,384:21-45.

[126] QAYYUM A, IJAZ A, USAMA M, et al. Securing machine learning in the cloud: a systematic review of cloud machine learning security[J]. Frontiers in Big Data,2020,3:587139.

[127] JAIME F J, MU?OZ A, RODRíGUEZ-GóMEZ F, et al. Strengthening privacy and data security in biomedical microelectromechanical systems by IoT communication security and protection in smart healthcare[J]. Sensors,2023,23(21):8944.

[128] WANG L W, CHAN Y C, AHMED F, et al. Deep generative modeling for mechanistic-based learning and design of metamaterial systems[J]. Computer Methods in Applied Mechanics and Engineering, 2020, 372:113377.

[129] KIM Y, KIM Y, YANG C, et al. Deep learning framework for material design space exploration using active transfer learning and data augmentation[J]. npj Computational Materials,2021,7(1):140.

[130] KIYMIK E, ERCELEBI E. Metamaterial design with nested-CNN and prediction improvement with imputation[J]. Applied Sciences,2022,12(7):3436.

[131] LEE D, CHAN Y C, CHEN W W, et al. T-metaset: task-aware acquisition of metamaterial datasets through diversity-based active learning[J]. Journal of Mechanical Design,2023,145(3):031704.

[132] 謝建新，宿彥京，薛德禎，等. 機(jī)器學(xué)習(xí)在材料研發(fā)中的應(yīng)用[J]. 金屬學(xué)報(bào),2021,57(11):1343-1361.

XIE J X, SU Y J, XUE D Z, et al. Machine learning for materials research and development[J]. Acta Metallurgica Sinica,2021,57(11):1343-1361.

[133] LU Y, ZHANG Q, CHEN Y K, et al. Recent advances in metal hybrid additive manufacturing: a comprehensive review[J]. International Journal of Extreme Manufacturing,2026,8(3):032010.

[134] WANG S, ZHOU L, ZHONG S Y, et al. Recent advances in metal additive manufacturing: materials design and artificial intelligence applications[J/OL]. Engineering, 2026. https://doi.org/10.1016/j.eng.2025.11.033.

（注，原文標(biāo)題：人工智能驅(qū)動(dòng)高性能鈦基材料設(shè)計(jì)與制造的研究進(jìn)展：機(jī)遇與挑戰(zhàn)_弭光寶）