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。

让模型学会微结构

研究第一步，并非是要求模型生成结构并加以修改，在此之前，模型需要准确理解已有微结构中的物理特征。

25 张原始 EBSD 微结构图像，每张分辨率为 800×1000 像素。研究人员把每张图切分为 8 个 100×100 像素的小区域，由此获得 2000 个图像块，再通过旋转、翻转、模糊、畸变、腐蚀和膨胀等操作扩充为 7.2 万个训练样本。

在此之中，模型不再只计算像素之间是否相似。对于金属微结构来说，一条清晰的晶界和晶粒内部轻微的颜色变化，并不具有同等的物理意义。

图 1：高保真微观结构生成与逆向设计的物理感知框架

因此研究团队把损失函数拆成三个部分：像素级损失 Lpix、专门强调边界的 Ledge，以及描述整体结构关系的 LSSIM。Sobel 算子被用于提取晶界等边缘信息，而 LSSIM 进一步约束晶粒内部的晶体取向结构。

只使用像素损失时，生成图像中的晶界容易变得模糊，同一个晶粒内部还可能出现物理上不合理的取向噪声；加入三种损失之后，晶界更加清晰，晶粒内部的取向也更一致。测试集上的像素损失最终从约 0.20 降到了约 0.10。

进一步比较晶粒面积、晶粒长短轴以及 3 个欧拉角等 6 项物理特征后，重建结果与原始数据也保持了较好的一致性。

 

寻找训练集之外的结构

有了能够保留微结构物理特征的生成模型，下一步就轮到材料的设计。

研究团队采用变分自编码器（VAE）把复杂的微结构压缩到潜空间中，再利用非支配排序遗传算法 NSGA-II 在其中寻找同时满足两项性能目标的区域。

图 2：原始与重建微结构之间的物理一致性比较

这一过程还有一个限制：模型不能为了追求性能，生成完全无法实现的微结构。

因此研究人员没有直接让遗传算法在整个潜空间里随机搜索，而是利用 VAE 潜空间本身的连续性，让结构变化保持平滑。实验表明，从一个潜变量向另一个潜变量插值或外推时，晶粒尺寸和取向能够连续变化，从而让模型有机会探索训练数据之外的区域，同时避免产生明显失真的结构。

 

图 3：微观结构的逆向优化框架及结果

最终得到的候选结构确实偏离了原始 25 组数据的分布。随着优化进行，结构中的晶粒整体趋于细化，并出现了训练数据中并不存在的一种特征：双峰晶粒尺寸分布。对 2000 个原始微结构块和 400 个优化生成结构进行统计后，后者表现出更多超细晶粒，其中部分晶粒面积不超过 0.4 μm²。与此同时，较粗的晶粒仍然被保留下来。

 

检验

团队的研究并不会止步于生成图像和机器学习预测。

团队首先把生成微结构中的晶体取向、晶粒尺寸等信息输入晶体塑性有限元（CPFE）模型，计算其宏观拉伸响应。对两个经过优化的候选方案进行验证后，CPFE 给出的屈服强度和延伸率与机器学习设定的目标值保持较好一致。

随后，研究人员根据已有工艺研究，实际制备这种具有双峰晶粒结构的 Inconel 625。EBSD 表征显示，最终得到的合金确实形成了清晰的双峰晶粒尺寸分布，其实验拉伸曲线也与 CPFE 模拟结果保持较好吻合。实验测得的屈服强度和延伸率进一步与机器学习优化得到的目标结构对应起来。

这项工作让模型在物理约束下寻找新的结构组合，并由模拟和实验逐步检查，最终落在了一种训练数据中没有出现过的微结构上。其结果为性能导向的微观结构设计提供了一种数据高效且物理解释明确的方法。

 

论文链接：https://www.nature.com/articles/s41467-026-78118-3

本文转载于  ScienceAI：https://mp.weixin.qq.com/s/YLWQCF5t3BdMrOZai3buCg

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。

让模型学会微结构

研究第一步，并非是要求模型生成结构并加以修改，在此之前，模型需要准确理解已有微结构中的物理特征。

25 张原始 EBSD 微结构图像，每张分辨率为 800×1000 像素。研究人员把每张图切分为 8 个 100×100 像素的小区域，由此获得 2000 个图像块，再通过旋转、翻转、模糊、畸变、腐蚀和膨胀等操作扩充为 7.2 万个训练样本。

在此之中，模型不再只计算像素之间是否相似。对于金属微结构来说，一条清晰的晶界和晶粒内部轻微的颜色变化，并不具有同等的物理意义。

图 1：高保真微观结构生成与逆向设计的物理感知框架

因此研究团队把损失函数拆成三个部分：像素级损失 Lpix、专门强调边界的 Ledge，以及描述整体结构关系的 LSSIM。Sobel 算子被用于提取晶界等边缘信息，而 LSSIM 进一步约束晶粒内部的晶体取向结构。

只使用像素损失时，生成图像中的晶界容易变得模糊，同一个晶粒内部还可能出现物理上不合理的取向噪声；加入三种损失之后，晶界更加清晰，晶粒内部的取向也更一致。测试集上的像素损失最终从约 0.20 降到了约 0.10。

进一步比较晶粒面积、晶粒长短轴以及 3 个欧拉角等 6 项物理特征后，重建结果与原始数据也保持了较好的一致性。

 

寻找训练集之外的结构

有了能够保留微结构物理特征的生成模型，下一步就轮到材料的设计。

研究团队采用变分自编码器（VAE）把复杂的微结构压缩到潜空间中，再利用非支配排序遗传算法 NSGA-II 在其中寻找同时满足两项性能目标的区域。

图 2：原始与重建微结构之间的物理一致性比较

这一过程还有一个限制：模型不能为了追求性能，生成完全无法实现的微结构。

因此研究人员没有直接让遗传算法在整个潜空间里随机搜索，而是利用 VAE 潜空间本身的连续性，让结构变化保持平滑。实验表明，从一个潜变量向另一个潜变量插值或外推时，晶粒尺寸和取向能够连续变化，从而让模型有机会探索训练数据之外的区域，同时避免产生明显失真的结构。

 

图 3：微观结构的逆向优化框架及结果

最终得到的候选结构确实偏离了原始 25 组数据的分布。随着优化进行，结构中的晶粒整体趋于细化，并出现了训练数据中并不存在的一种特征：双峰晶粒尺寸分布。对 2000 个原始微结构块和 400 个优化生成结构进行统计后，后者表现出更多超细晶粒，其中部分晶粒面积不超过 0.4 μm²。与此同时，较粗的晶粒仍然被保留下来。

 

检验

团队的研究并不会止步于生成图像和机器学习预测。

团队首先把生成微结构中的晶体取向、晶粒尺寸等信息输入晶体塑性有限元（CPFE）模型，计算其宏观拉伸响应。对两个经过优化的候选方案进行验证后，CPFE 给出的屈服强度和延伸率与机器学习设定的目标值保持较好一致。

随后，研究人员根据已有工艺研究，实际制备这种具有双峰晶粒结构的 Inconel 625。EBSD 表征显示，最终得到的合金确实形成了清晰的双峰晶粒尺寸分布，其实验拉伸曲线也与 CPFE 模拟结果保持较好吻合。实验测得的屈服强度和延伸率进一步与机器学习优化得到的目标结构对应起来。

这项工作让模型在物理约束下寻找新的结构组合，并由模拟和实验逐步检查，最终落在了一种训练数据中没有出现过的微结构上。其结果为性能导向的微观结构设计提供了一种数据高效且物理解释明确的方法。

 

论文链接：https://www.nature.com/articles/s41467-026-78118-3

本文转载于  ScienceAI：https://mp.weixin.qq.com/s/YLWQCF5t3BdMrOZai3buCg