顶刊重磅综述：人工智能赋能先进合金材料研发！

人工智能赋能先进合金材料研发：

苏州国家实验室吴文旺研究员、东南大学孙正明教授

在《Progress in Materials Science》

发表重磅综述

论文题目：Artificial intelligence for advanced alloy: multiscale simulation, intelligent manufacturing, high-throughput characterization, and service-performance intelligent assessment

期刊：Progress in Materials Science（材料科学进展，材料领域顶刊）

https://doi.org/10.1016/j.pmatsci.2026.101845

第一作者：吴文旺（苏州国家实验室）

通讯作者：吴文旺（苏州国家实验室）、孙正明（东南大学）

研究简介

在材料科学飞速发展的今天，先进合金作为航空航天、高端装备制造及新能源等领域的基石，其研发模式正经历着前所未有的深刻变革。传统合金研发长期依赖“试错法”，从成分设计、模拟计算、制备工艺，到跨尺度微观表征、服役性能评价，全流程普遍面临周期漫长、成本高昂等行业瓶颈。近年来，随着人工智能技术的快速发展，高端合金材料性能跨代提升与快速研发对于工业装备和战略装备的升级换代愈发重要，传统研发范式的短板日益凸显。因此，亟需利用人工智能技术赋能传统冶金全流程研发，以实现材料性能的跨代提升并加速研发进程。

近日，材料科学领域顶级综述期刊《Progress in Materials Science》在线发表了题为《人工智能赋能先进合金材料：多尺度模拟、智能制造、高通量表征与服务性能智能评估》的重磅综述论文。该论文由苏州国家实验室、东南大学、上海交通大学、重庆大学、北京科技大学等多所国内顶尖高校的研究团队联合完成。

文章系统梳理了人工智能在传统合金研发各环节的赋能作用，重点涵盖多尺度智能模拟、智能制造、高通量表征、服役性能智能评价四大核心环节（图1），全面覆盖了从原子尺度到工程服役的全链条。研究不仅比较了不同AI方法在各环节的优势与局限，还展望了人工智能技术在先进合金研发全链条中的前沿应用，并指出“数据+物理机理”双轮驱动的新范式正在加速成型。

图1：人工智能赋能合金研发整体框架，该框架涵盖多尺度计算模拟、智能制造、高通量表征及服役评估，打通了从成分设计到服役可靠性评价的全流程智能研发。

一、人工智能赋能传统多尺度材料计算

首先，文章系统梳理了机器学习原子势（MLP）、CALPHAD相图计算、离散位错动力学（DDD）、相场模拟、晶体塑性有限元（CPFEM）以及集成计算材料工程（ICME）的最新进展。作为原子模拟的核心工具，机器学习势函数融合了第一性原理计算的精度与分子动力学的效率，使得大规模原子尺度模拟成为可能，为理解合金微观行为提供了前所未有的工具。作者将主流势函数划分为NNP神经网络势、GAP高斯近似势、MTP矩张量势、SNAP谱邻域分析势四大类，并对比了各自的精度、计算效率及适用合金体系。MLP兼顾了第一性原理精度与分子动力学大尺度模拟效率，在高温合金、铝合金、高强钢等领域得到广泛应用，能够有效解析缺陷演化、相界面交互等原子尺度机制。

其次，在热动力学、热物性和相图计算方面，文章总结了AI赋能相图与热物理性质计算的技术路线，主要包括：数据驱动相界预测、主动学习引导相图构建、机器学习加速CALPHAD计算与热物理性质预测。此外，大语言模型被创新性地用于相图信息获取，极大地拓展了热力学数据库的可用性与可及性。

再次，在介观尺度方面，重点分析了AI加速离散位错动力学与相场模拟技术的特点和作用。介观尺度的智能模拟不仅实现了传统方法的提速，更通过学习闭合本构关系，解决了传统模型参数标定难的痛点。在位错动力学（DDD）模拟中，AI通过神经网络预测节点速度、物理信息特征工程及图神经网络等方法，显著提升了模拟的精度和效率，为理解塑性变形微观机理开辟了新路径。同时，AI代理模型、物理信息神经网络（PINN）及算子学习等方法，正全面加速相场法（PF）与晶体塑性有限元（CPFEM）的模拟速度与精度，使微观组织演化与宏观力学行为的预测更加高效精准。

最后，在宏观尺度模拟方面，机器学习与晶体塑性有限元（CPFEM）深度融合，通过发展代理模型、图神经网络等微观结构表征方法以及物理信息神经网络本构模型，实现了晶粒尺度变形过程、组织和应力演化向宏观力学性能的跨尺度映射。作者也指出，该领域仍面临高质量数据集稀缺且异构、AI预测结果与冶金物理机制一致性不足、外推可靠性有限、多尺度模型桥接方法不完善等突出技术挑战。纯数据驱动模型外推能力较弱，必须将物理约束融入AI模型训练过程，进而实现“数据+物理”双驱动的合金智能预测在精度和效率上的全面提升。

二、人工智能赋能合金制造环节

本部分重点关注传统合金材料铸造、锻造、增材制造、轧制、热处理、冶金精炼六大制造工艺的智能化进展。在铸造领域，通过融合红外热成像、声发射、振动、X射线图像等多源异构信号，并利用CNN、LSTM构建虚拟传感网络模型，实现了型腔温度、压力等难以直接测量物理量的反演，完成了缺陷分类识别与铸造工艺智能优化。

在锻造领域，利用深度学习和多模态时空传感数据、有限元模拟数据的虚实融合，可实现模具与锻件三维温度场、残余应力场的实时重建，并结合数字孪生预测加工变形；此外，强化学习还可用于锻造工序路径规划，实现晶粒组织与力学性能的协同调控。

在金属增材制造方面，人工智能技术可用于熔池智能监测、多类型缺陷识别与检测、工艺逆向优化及性能智能预测。其中，多模态传感数据融合、生成式模型、闭环功率调控已成为增材制造工艺智能优化的研究热点。

在合金轧制工艺优化中，物理引导的数据驱动模型可用于轧制力智能预测，注意力时序网络可用于板形控制和表面缺陷预测。同时，作者指出，智能制造落地的最大瓶颈并非AI模型的预测精度，而是工业环境下模型泛化能力不足、传感数据噪声干扰、样本分布不均衡等痛点。

未来应重点发展在线数字孪生闭环系统，研发兼顾预测精度、不确定性评估与设备物理约束的制造智能体技术。通过融合机理模型、工艺知识图谱库、多传感器实时感知以及强化学习/图优化等前沿算法，最终实现“制造工艺参数智能优化、工况自主决策、制造设备主动执行、全流程反馈闭环”。

三、合金材料高通量智能表征

AI技术在SEM微观组织图像快速筛选、EBSD晶体学特征高通量映射以及TEM原子尺度表征中，能够显著提升传统图像分割和关键特征识别的精度与准确度，进而提高高通量表征效率及不同表征环节的通量匹配能力。特别是智能化多尺度微观组织表征平台，可将SEM、EBSD和TEM等独立技术整合为协同工作的智能系统，使研究人员能够从繁杂数据中迅速提取多尺度关键特征。

基于SEM、EBSD、TEM/STEM等海量多模态多尺度显微图像数据，AI可自动提取合金微观组织定量描述符，将多晶晶粒、合金相组织、纳米析出相、缺陷、晶界、位错组态等海量图像信息转化为可用于AI模型标定的量化数据。这为多尺度模型提供了源源不断的实验数据输入，形成了“多尺度模拟、材料制备、多尺度表征、材料模拟模型参数修正”的反馈迭代优化流程。

四、高端合金材料服役性能智能评估

传统合金材料多场耦合损伤过程和服役寿命预测的理论模型高度依赖简化假设与大量标定实验，难以捕捉复杂多场耦合工况下材料微观组织的动态演化过程及多因素耦合损伤规律。所建模型通常泛化能力较弱，导致研发试错周期长、成本高，难以支撑合金服役性能的快速评估和新材料研发需求。

本部分总结了AI在合金材料腐蚀行为预测、疲劳寿命预测、蠕变损伤预测及耦合损伤与可靠性评估中的应用进展。人工智能可融合成分、微观组织、缺陷、残余应力、环境条件、加载历史等多维信息，开展腐蚀、疲劳、蠕变以及多损伤耦合条件下的寿命预测。通过机器学习模型、时间序列模型（如LSTM、GRU）、迁移学习以及物理信息神经网络等多种技术手段，研究人员能够更准确地预测合金在极端环境下的服役行为，为航空航天、核电等关键工程结构的安全设计与寿命评估提供了坚实的数据支撑和智能化工具。

五、核心挑战与未来发展展望

未来高端合金材料的智能化发展，必须坚定不移地走“数据+物理机理”深度融合的道路，构建更加通用、可解释的材料智能模型。其中，共享数据库的建立、多模态数据的融合以及数字孪生技术的引入，将为实现真正的“自主材料研发”提供关键支撑。文章归纳了当前AI赋能合金全流程研发的五大共性关键技术挑战：AI Ready数据稀缺与异构性、AI模型与材料冶金物理一致性不足、AI模型外推预测可靠性受限、跨尺度材料计算模型与制造工艺交互验证能力薄弱、缺少具备全流程设计和制造不确定性感知的决策体系。

针对上述挑战，作者提出了“合金材料智能研发”的五大重点发展方向：

（1）发展物理信息融合机器学习框架：通过将热力学、力学守恒定律嵌入机器学习损失函数，降低对海量标注数据的依赖，提升模型外推能力；

（2）开展标准化多模态材料数据库建设：构建统一元数据规范的合金数据集，涵盖模拟、工艺、表征、服役等多模态数据；

（3）发展自主实验室技术：结合主动学习、机器人合成与表征，实现材料的自主迭代发现；

（4）建设合金智能制造数字孪生平台：形成贯通“设计-制造-表征-服役”的全链条数字孪生技术体系，指导制造全流程智能优化；

（5）建设全流程闭环合金智能研发系统：实现从成分设计、多尺度模拟、智能制造、高通量表征到服役评价的全流程智能化完整闭环。

致谢：国家科技重大专项（新材料重大专项）“高端装备金属结构材料智能化自动实验技术装备与集成应用平台”（2025ZD0619200）；国家自然科学基金面上项目（项目号：12472347和52130107）

作者简介

吴文旺（第一作者、共同通讯作者）：【苏州国家实验室结构材料研究部研究员，本科和硕士毕业于中国科学技术大学、清华大学，瑞士联邦理工大学博士。主要研究方向：复合材料与结构力学、材料智能设计与加速服役评价技术、核材料辐照效应。以第一作者/通讯作者身份在 Prog. Mater. Sci.、J. Mech. Phys. Solid 等期刊发表130篇学术论文，论文引用6600余次，入选2024、2025年度“中国高被引学者”榜单及2020-2026年度“全球前2%顶尖科学家榜单”。担任《实验力学》、《中国舰船研究》、《Advanced Manufacturing》期刊编委，以及《极端材料》、《中国机械工程学报》、《增材制造前沿》、《应用力学学报》、《国际智能和纳米材料杂志》、《理论与应用力学快报》期刊青年编委；曾获得四川省科技进步一等奖，联合出版《增材制造先进材料及结构完整性》专著1部。】

孙正明（共同通讯作者）：【东南大学首席教授，东南大学本科毕业，获中科院金属研究所硕士学位及中科院金属研究所-维也纳大学联合培养博士学位。目前担任材料科学与工程学院教授、博士生导师、学院党委书记、学院学术委员会主任，曾任日本产业技术综合研究所主任研究员，2019年5月至2022年8月任东南大学材料科学与工程学院院长，2022年8月至2025年1月任该院党委书记。研究方向为金属性陶瓷MAX相材料及二维材料MXene的能源环境应用。主持国家重点研发计划、国家自然科学基金重点项目（3项）及面上项目、江苏省重点项目、双创团队及人才等重要科研项目。在Nat Commun、Chem、Adv Mater、Angew Chem、Adv Energy Mater、Energy Environ Sci、Adv Funct Mater、 Acta Mater等期刊发表学术论文300余篇，授权发明专利40余项。任中国材料研究学会理事，中国复合材料学会常务理事，江苏省材料学会副理事长，东南大学欧美同学会副会长等职。获中国侨界贡献（创新人才）奖，江苏省科学技术奖，复合材料学会科学技术奖等。】

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❤