面向航空航天深海裝備與生物醫(yī)療領(lǐng)域的高性能鈦基材料多尺度智能研發(fā)體系綜述：融合物理信息機器學(xué)習(xí)、分子機器學(xué)習(xí)原子勢、增材制造自適應(yīng)閉環(huán)控制與構(gòu)件數(shù)字孿生的AI+Ti全流程技術(shù)路徑現(xiàn)存核心瓶頸與前沿發(fā)展方向

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)動機、深海探測裝備、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程中多種變形機制的交互耦合，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,并對氧等微量間隙元素及熱-力過程參數(shù)敏感 [1],使其成為難以預(yù)測和調(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)時存在模型簡單和成本高的問題,無法在多物理場耦合下精準(zhǔn)捕捉顯微組織演化并進行全局尋優(yōu)，導(dǎo)致研發(fā)過程高度依賴經(jīng)驗，面臨周期長、成本高和效率低的瓶頸 [2]，難以滿足未來極端環(huán)境應(yīng)用場景對高性能鈦基材料快速迭代與定制設(shè)計的迫切需求。

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],其以強大的高維非線性函數(shù)處理、復(fù)雜模式識別與全局優(yōu)化能力，為連接微觀機理與宏觀工程性能開辟新的技術(shù)途徑。這場變革的核心在于構(gòu)建一個數(shù)據(jù)密集、物理信息增強、機器人驅(qū)動的自動化實驗閉環(huán)為主要模式的智能增強系統(tǒng)。AI正驅(qū)動研發(fā)范式從被動的經(jīng)驗驅(qū)動向主動的數(shù)據(jù)與計算雙輪驅(qū)動、人機深度協(xié)同、虛擬與現(xiàn)實持續(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，而且通過嵌入物理規(guī)律確保認(rèn)知科學(xué)性，并主動探索現(xiàn)有理論與經(jīng)驗尚未覆蓋的設(shè)計空間 [4?6]。

本文系統(tǒng)綜述AI驅(qū)動高性能鈦基材料技術(shù)(AI+Ti)的最新研究進展，聚焦AI如何針對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)測模型、實現(xiàn)性能目標(biāo)→微觀組織→成分/工藝逆向設(shè)計中的突破;在增材制造等關(guān)鍵過程中，推動控制策略從靜態(tài)工藝窗口向動態(tài)過程智能升級，實現(xiàn)組織與性能的主動調(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。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、跨尺度建模與人機協(xié)同的壁壘，以及從虛擬設(shè)計到工程認(rèn)證的"最后一公里"障礙。最后，展望物理信息機器學(xué)習(xí)、自主實驗平臺等未來發(fā)展方向，并就AI的角色定位、知識表示與人機協(xié)作模式、工程信任的建立機制等尚存爭議的非共識性問題進行前瞻性討論。

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)雜性與實現(xiàn)材料素化為根本出發(fā)點，通過標(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)，旨在通過簡化設(shè)計過程與優(yōu)化材料使用，實現(xiàn)結(jié)構(gòu)性能與工程實用的平衡。

從方法論角度看，材料智能設(shè)計通常需要根據(jù)研究目標(biāo)、數(shù)據(jù)規(guī)模及問題復(fù)雜程度，選擇合適的算法框架。隨著材料問題復(fù)雜度不斷提升，集成學(xué)習(xí)、多模型融合、物理信息機器學(xué)習(xí)等方法也逐漸成為提升預(yù)測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，對其適用邊界及優(yōu)勢進行系統(tǒng)比較具有重要意義。因此，表1對當(dāng)前材料設(shè)計研究中常見的AI算法類型及其核心優(yōu)勢、局限性以及典型應(yīng)用場景進行歸納總結(jié) [7?14],為后續(xù)鈦基材料智能設(shè)計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)劣勢對比

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

高性能鈦合金的實驗驗證周期漫長,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。針對這一問題,AI+Ti發(fā)展出以主動學(xué)習(xí)(active learning,AL)為核心且深度融合多尺度計算模擬數(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程(Gaussian process,GP)指導(dǎo)高價值實驗。其基本原理為基于少量初始數(shù)據(jù)訓(xùn)練一個GP模型,在整個設(shè)計空間中計算每個未標(biāo)注點的獲取函數(shù)來權(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最具信息價值的實驗點并進行迭代實驗。隨后將新獲得的實驗數(shù)據(jù)結(jié)構(gòu)化處理后回注至數(shù)據(jù)庫中用于模型再訓(xùn)練，這一選擇-標(biāo)注-學(xué)習(xí)的循環(huán)模式能以最少的實驗成本高效逼近全局最優(yōu)解。此外，為了從根本上擴充數(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)來源形成一個從微觀到宏觀的完整譜系:以內(nèi)部實驗數(shù)據(jù)庫提供的宏觀性能與微觀組織/結(jié)構(gòu)表征為基礎(chǔ)，同時利用計算模擬數(shù)據(jù)作為強大的虛擬補充，形成一個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)實驗的復(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:物理信息增強范式下的機理驅(qū)動建模

單一數(shù)據(jù)驅(qū)動的AI模型雖然表現(xiàn)出較高的預(yù)測精度，但其固有的黑箱特性極易導(dǎo)致預(yù)測結(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在工程場景(如航空發(fā)動機)具有高可靠性要求的應(yīng)用。為解決上述問題，AI+Ti將專業(yè)領(lǐng)域知識作為硬性或軟性約束嵌入模型架構(gòu)和訓(xùn)練過程中，利用物理信息增強研發(fā)范式確保預(yù)測結(jié)果在擁有高精度的同時具備堅實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)化的智能化過程。

在正向設(shè)計層面，即從給定的鈦基材料成分/工藝預(yù)測組織性能，物理信息增強引導(dǎo)的特征工程使研究者不再局限于原始化學(xué)成分，即使是針對可解釋性分析與機理挖掘也可輔以可解釋AI工具進行后驗分析。這不僅能驗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)計提供新的科學(xué)路徑。逆向設(shè)計能夠針對特定的目標(biāo)性能反向求解最優(yōu)成分/工藝，此時將物理信息增強耦合其中則可構(gòu)建出一種更為嚴(yán)謹(jǐn)?shù)拇砟Ｐ汀Ｔ撃Ｐ驮谟?xùn)練階段通過在損失函數(shù)中引入物理殘差項(如位錯密度演化方程、相變動力學(xué)方程等)或熱力學(xué)穩(wěn)定性條件來確保其在整個輸入空間內(nèi)的預(yù)測都滿足基本物理規(guī)律，避免在逆向搜索中進行無效探索，極大提升設(shè)計效率。

1.3　優(yōu)化工藝路徑序列決策:貝葉斯優(yōu)化與強化學(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)上是一個多階段、序列化的決策優(yōu)化問題。AI+Ti通過貝葉斯優(yōu)化(Bayesian optimization,BO)與強化學(xué)習(xí)(reinforcement learning,RL)兩種方式，為解決此類問題提供了方案。

貝葉斯優(yōu)化在利用函數(shù)進行全局優(yōu)化時展現(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)建一個概率代理模型(通常為GP),將多道次工藝參數(shù)(溫度、時間、冷卻速率等)設(shè)定為輸入變量,將目標(biāo)性能(如強韌性)設(shè)定為輸出變量,不僅能預(yù)測性能,還可以通過獲取函數(shù)探索與量化不確定性區(qū)域,以極少的實驗迭代次數(shù)找到最優(yōu)的工藝窗口，較為契合小樣本、高成本的場景。

對于需要實時動態(tài)反饋的先進制造過程(如激光增材制造),強化學(xué)習(xí)范式則更為適用。RL將制造過程建模為馬爾可夫決策過程，其中智能體依據(jù)熔池動態(tài)圖像、熱成像等實時信號，動態(tài)調(diào)整激光功率、掃描速率等參數(shù)，以最大化長期累積獎勵(如構(gòu)件致密度、無缺陷率等),通過與環(huán)境(即制造設(shè)備)的持續(xù)交互來學(xué)習(xí)最優(yōu)控制策略。這實現(xiàn)了從靜態(tài)開環(huán)工藝到動態(tài)閉環(huán)智能調(diào)控的根本轉(zhuǎn)變,是AI驅(qū)動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)一成有機整體。通過這種深度融合,AI+Ti將升維為一場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

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行全局相圖掃描的巨大挑戰(zhàn)。與此同時，經(jīng)驗性的當(dāng)量規(guī)則雖然簡潔，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,通過將合金體系建模為復(fù)雜的關(guān)聯(lián)系統(tǒng)而非簡單的組元疊加，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)的非線性萬能逼近特性，彌補了當(dāng)量規(guī)則無法描述復(fù)雜化學(xué)環(huán)境效應(yīng)的缺陷。在數(shù)據(jù)收集過程中研究者可構(gòu)建一個包含數(shù)萬乃至數(shù)十萬虛擬合金的數(shù)據(jù)集，其中每個合金的原子結(jié)構(gòu)被編碼為一個圖(節(jié)點代表原子，邊代表原子間相互作用) [15],其標(biāo)簽來自第一性原理計算的形成能、混合能或能量差。通過在該數(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)驗規(guī)則，GNN模型不僅能更準(zhǔn)確地預(yù)測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制。Schmidt等的研究工作為此提供了應(yīng)用案例，通過大規(guī)模DFT計算構(gòu)建包含近10億種無機化合物(涵蓋大量鈦基體系)的虛擬材料庫,并利用晶體圖注意力網(wǎng)絡(luò)進行訓(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計算的形成能為標(biāo)簽,成功實現(xiàn)對任意多元成分下熱力學(xué)穩(wěn)定性的高精度預(yù)測(圖1)。不僅如此,在通過補充計算平衡化學(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)時亦可精準(zhǔn)預(yù)測相穩(wěn)定性，有效解決傳統(tǒng)方法高維數(shù)據(jù)稀疏性導(dǎo)致的性能衰退問題。

AI模型可有效探測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)實驗或模擬方法因其離散采樣特性，極易遺漏這些狹窄但對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))可以在整個高維設(shè)計空間內(nèi)進行連續(xù)、高效地虛擬掃描，通過分析模型輸出的梯度或不確定性，自動識別對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。本研究團隊利用這一優(yōu)勢，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八元空間中進行高通量逆向設(shè)計。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分析模型決策邊界與SHAP值，主動規(guī)避可能導(dǎo)致室溫脆性的臨界成分區(qū)域。這說明AI代理模型能在整個高維空間內(nèi)進行連續(xù)、高效地虛擬掃描，其高預(yù)測精度(決定系數(shù)R2=0.98)確保對敏感區(qū)域的可靠識別。

AI并非要完全取代CALPHAD或經(jīng)驗規(guī)則，而是與之形成一種協(xié)同增強的關(guān)系。Chai等將d電子理論中的Bo/Md等經(jīng)驗參數(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)驗規(guī)則對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)驗規(guī)則提供工程先驗，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，真正實現(xiàn)從被動遵循相圖規(guī)律到主動駕馭復(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

鈦合金分子動力學(xué)(molecular dynamics,MD)計算技術(shù)已得到廣泛應(yīng)用 [19],但傳統(tǒng)經(jīng)驗的原子間勢在描述其復(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)測能力與適用范圍。機器學(xué)習(xí)原子間勢(machine learning interatomic potentials, MLIPs)的出現(xiàn)提供了突破性路徑 [20?22]。MLIPs通過從高精度量子力學(xué)計算(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精度的同時實現(xiàn)數(shù)個數(shù)量級的計算加速，從而支撐大規(guī)模、長時間、多組分的MD模擬 [23],為鈦基材料性能定制化設(shè)計奠定分子級模擬基礎(chǔ)。當(dāng)前鈦合金MLIPs的研究已系統(tǒng)覆蓋多個關(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)測進一步深入復(fù)雜缺陷動力學(xué)與相變過程的模擬。針對鈦鋁合金塑性變形與失效機制,Qi等 [25]利用矩張量勢(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核心結(jié)構(gòu)、位錯滑移路徑以及裂紋尖端的斷裂行為，從而揭示傳統(tǒng)經(jīng)驗勢難以捕捉的復(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制提供重要的理論依據(jù)。

在凝固與相變動力學(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函數(shù)，實現(xiàn)對液相結(jié)構(gòu)及成核過程的高精度模擬。該勢函數(shù)有效克服傳統(tǒng)經(jīng)驗勢在描述液態(tài)無序結(jié)構(gòu)及固液界面轉(zhuǎn)變過程中的精度瓶頸，可以準(zhǔn)確預(yù)測不同過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。

針對面向更復(fù)雜的工程應(yīng)用，通過對三元Ti-Al-Nb體系的系統(tǒng)比較研究表明，無論是矩張量勢還是深度學(xué)習(xí)勢函數(shù)，均能夠在較大成分空間內(nèi)保持良好的預(yù)測精度，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)，而且進一步擴展至板狀構(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復(fù)雜原子環(huán)境的描述能力。Chandran等 [27]通過系統(tǒng)評估不同模型架構(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，進一步比較被動學(xué)習(xí)與主動學(xué)習(xí)策略在勢函數(shù)訓(xùn)練中的效果，結(jié)果表明主動學(xué)習(xí)能夠通過迭代篩選高信息量構(gòu)型，顯著提升勢函數(shù)在未知構(gòu)型區(qū)域的預(yù)測能力，同時減少訓(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)勢函數(shù)與主動學(xué)習(xí)策略，MLIPs已能夠在復(fù)雜多組元體系中實現(xiàn)穩(wěn)定可靠的性能預(yù)測，為探索兼具高強度、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)材料的計算驅(qū)動設(shè)計奠定基礎(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顯著加速對其彈性性能、力學(xué)性能及位錯滑移行為的模擬 [31]，未來還將結(jié)合實驗探索短時氧化等復(fù)雜過程 [32]。

在微觀性能預(yù)測能力方面，MLIPs顯著突破傳統(tǒng)實驗與模擬的邊界。Shen等 [33]基于矩張量勢構(gòu)建鈦合金MLIPs,通過MD模擬分析預(yù)裂紋在特定晶面上的擴展機制，為理解斷裂行為提供原子級認(rèn)知。在腐蝕領(lǐng)域，相場模型已成功模擬溶解驅(qū)動的應(yīng)力腐蝕開裂，為未來耦合MLIPs開展分子尺度驗證鋪平道路。在熱輸運方面，Qanbarian等 [34]利用ML-MD揭示錐形納米結(jié)構(gòu)對熱傳導(dǎo)效率的增強效應(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(Gaussian approximation potential,GAP)、深度勢(deep potential,DP)和矩張量勢已成為主流。GAP憑借對復(fù)雜勢能面(包括磁性)的良好表達(dá)能力被廣泛采用，其數(shù)據(jù)庫包含約15萬個局部原子環(huán)境;Wen等 [36]通過專用神經(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(artificial neural network potential,NNP)已用于預(yù)測Ti-Al系相圖，彌補傳統(tǒng)勢函數(shù)的精度缺陷 [37];GNN通過消息傳遞機制自動學(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: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)域一個充滿活力的研究熱點。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)測和優(yōu)化設(shè)計開辟新途徑 [41]。研究表明，利用生成式AI與計算機視覺技術(shù)，不僅可以實現(xiàn)組織形貌的自動量化表征，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)計與精確預(yù)測 [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))的機器學(xué)習(xí)方法,能夠直接從原始顯微圖像中自動學(xué)習(xí)并精準(zhǔn)捕捉晶粒、相界、片層等復(fù)雜微觀特征，無需預(yù)設(shè)閾值或形態(tài)學(xué)規(guī)則 [45]。Pan等 [46]針對選擇性激光熔化(selective laser melting,SLM)成形Ti-6Al-4V合金的缺陷檢測難題，構(gòu)建了一個基于深度卷積神經(jīng)網(wǎng)絡(luò)(deep convolutional neural network,DCNN)的語義分割模型。他們首先指出傳統(tǒng)Otsu、Kittler等閾值分割方法因主觀性強而難以區(qū)分孔隙與未熔合缺陷的局限性。通過訓(xùn)練DCNN模型，該工作成功實現(xiàn)對這兩種關(guān)鍵缺陷的自動、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度不均導(dǎo)致的過分割問題，提出一種將深度學(xué)習(xí)自動提取能力與經(jīng)典算法相結(jié)合的創(chuàng)新邊界類語義分割增強型分水嶺算法，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，為微觀組織的自動化、高通量定量分析提供方法。Liu等 [48]通過融合高通量實驗與機器學(xué)習(xí)，揭示TC18鈦合金熱加工過程對微觀組織的影響(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)變和不同熱處理條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)測模型。這項工作展示了如何利用AI處理高通量實驗產(chǎn)生的大數(shù)據(jù)，實現(xiàn)對復(fù)雜熱-力耦合過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行組織識別與預(yù)測外，近年來研究人員開始將統(tǒng)計學(xué)微觀結(jié)構(gòu)表征方法與機器學(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)動的機器學(xué)習(xí)框架，用于預(yù)測SiC/Ti鈦基復(fù)合材料極限抗拉強度。首先通過有限元模擬生成大量具有隨機微觀結(jié)構(gòu)特征的代表性體元數(shù)據(jù),利用兩點相關(guān)函數(shù)對微觀結(jié)構(gòu)進行統(tǒng)計量化表征，再通過主成分分析實現(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度預(yù)測中具有較高精度，大部分預(yù)測結(jié)果誤差控制在±1%范圍內(nèi)，并能夠識別纖維體積分?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)動路徑。

上述研究為微觀組織逆向設(shè)計奠定重要基礎(chǔ)，其中生成式模型在實現(xiàn)從性能目標(biāo)到組織結(jié)構(gòu)設(shè)計的過程中發(fā)揮著關(guān)鍵作用。Zhu等 [50]以T55511鈦合金為研究對象，開創(chuàng)性地應(yīng)用去噪擴散概率模型(denoising diffusion probabilistic models, DDPM)實現(xiàn)微觀組織的逆向生成與預(yù)測(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)格的定量評價體系,利用MIPAR軟件對生成圖像和真實圖像進行語義分割,對比初生  α相  (α p )和次生α相(a?)的體積分?jǐn)?shù)、主/次軸長度等關(guān)鍵參數(shù)。結(jié)果表明，模型生成的組織在定量指標(biāo)上與真實樣本高度吻合,這為以特定性能目標(biāo)而設(shè)計理想微觀組織的逆向范式提供迄今為止最堅實的實證,標(biāo)志著材料設(shè)計從試錯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: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)用往往要求其在強度、塑性、疲勞、蠕變、彈性模量、生物相容性、成本等多個維度上達(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(如強度-塑性的倒置關(guān)系和低模量與高強度的沖突),使得傳統(tǒng)單目標(biāo)優(yōu)化或經(jīng)驗試錯法難以奏效。人工智能驅(qū)動的多目標(biāo)優(yōu)化提供了有效的解決方案。通過在高維成分-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)計圖譜。

Chen等 [51]針對生物醫(yī)用  β鈦合金的設(shè)計需求，巧妙地融合高通量實驗與機器學(xué)習(xí)，實現(xiàn)多目標(biāo)協(xié)同優(yōu)化的典范(圖5)。首先基于擴散偶技術(shù)，通過納米壓痕和電子探針微區(qū)分析對Ti-Nb-Zr-(Cr,Hf,Mo,Sn,Ta)體系進行高通量力學(xué)與互擴散性能表征，獲得包含1290組數(shù)據(jù)的可靠數(shù)據(jù)庫。隨后利用高斯過程回歸(Gaussian process regression, GPR)算法構(gòu)建楊氏模量、硬度和熱加工能力 3個關(guān)鍵性能的高精度預(yù)測模型。在此基礎(chǔ)上,研究人員設(shè)計一個交互式篩選循環(huán):首先篩選出楊氏模量低于63GPa的合金，再從中選出硬度高于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)實驗驗證，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,壓縮屈服強度高達(dá)(1220±18)MPa,且塑性應(yīng)變超過30%。這一工作不僅成功解決生物醫(yī)用材料中強-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)計框架。An等構(gòu)建一個涵蓋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個樣本的綜合性數(shù)據(jù)集。通過系統(tǒng)評估6種經(jīng)典機器學(xué)習(xí)算法(包括支持向量機、高斯過程、神經(jīng)網(wǎng)絡(luò)、分類與回歸樹、提升樹和隨機森林)，并通過超參數(shù)優(yōu)化，最終獲得驗證集和測試集分別達(dá)到0.95和0.93的高精度預(yù)測模型。該高精度、多輸入(成分+熱處理)-多輸出(如強度、塑性等)的代理模型，為后續(xù)在高維空間中進行多目標(biāo)逆向設(shè)計提供可靠的基礎(chǔ)。

在此基礎(chǔ)上，研究人員進一步將可解釋機器學(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)計中的指導(dǎo)能力。Padhy等提出一種基于可解釋機器學(xué)習(xí)的鈦鋁合金集成設(shè)計框架，通過系統(tǒng)整合文獻數(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，并建立多性能回歸模型預(yù)測屈服強度、抗拉強度、斷后伸長率等關(guān)鍵力學(xué)性能。利用SHAP方法對模型進行可解釋性分析，定量揭示不同合金元素對性能的貢獻規(guī)律，并進一步結(jié)合多性能貝葉斯優(yōu)化策略，在給定成分空間內(nèi)實現(xiàn)多目標(biāo)協(xié)同優(yōu)化。通過實驗合成與性能測試驗證了機器學(xué)習(xí)預(yù)測合金的優(yōu)異力學(xué)性能，結(jié)果表明"可解釋機器學(xué)習(xí)+多目標(biāo)優(yōu)化"的集成設(shè)計范式能夠有效提升復(fù)雜合金體系的設(shè)計效率，為鈦鋁基高溫結(jié)構(gòu)材料的智能設(shè)計提供新思路。

除傳統(tǒng)機器學(xué)習(xí)模型外，AI在材料設(shè)計中的應(yīng)用正逐漸向更高層次的知識驅(qū)動模式發(fā)展。Wang等提出基于大語言模型(large language models,LLMs)框架,利用其強大的自然語言理解和知識推理能力,從海量科學(xué)文獻中自動挖掘"成分-工藝-組織-性能"之間的隱性關(guān)聯(lián)規(guī)則,并將這些知識與數(shù)值化的機器學(xué)習(xí)模型相結(jié)合(圖6)。例如,在進行多目標(biāo)優(yōu)化時,LLMs可以自動檢索并整合特定元素組合對蠕變抗力影響的最新研究成果，或某類熱處理制度對疲勞裂紋萌生抑制作用的經(jīng)驗法則，并將這些定性知識轉(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+計算驅(qū)動的雙輪驅(qū)動模式，有望在解決更為復(fù)雜、涉及長周期服役性能(如蠕變和疲勞)的多目標(biāo)協(xié)同優(yōu)化問題時，提供超越純數(shù)據(jù)驅(qū)動方法的洞察力和可靠性，從而在高維設(shè)計空間中更智能、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:從參數(shù)窗口到自適應(yīng)控制閉環(huán)

對于高性能鈦基材料而言，無論是增材制造中的快速熔凝，還是熱機械處理中的復(fù)雜變形路徑，其制造過程均呈現(xiàn)出高度的非線性、瞬態(tài)性和多物理場強耦合特征。傳統(tǒng)制造范式嚴(yán)重依賴于經(jīng)驗總結(jié)出的安全參數(shù)窗口，即在特定設(shè)備和材料條件下，通過大量試錯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用性，但本質(zhì)上是被動、靜態(tài)且缺乏普適性的，難以應(yīng)對材料批次波動、設(shè)備狀態(tài)不穩(wěn)定等現(xiàn)實挑戰(zhàn)，更無法實現(xiàn)對微觀組織演化的主動、精準(zhǔn)調(diào)控。

AI的深度融入正驅(qū)動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)驗的參數(shù)窗口邁向數(shù)據(jù)與模型驅(qū)動的自適應(yīng)控制閉環(huán)。在這一范式下，制造過程被視為可感知、可診斷、可決策、可執(zhí)行的動態(tài)系統(tǒng)。通過部署多源傳感器網(wǎng)絡(luò)對制造過程進行全息感知,利用深度學(xué)習(xí)等AI模型對海量異構(gòu)數(shù)據(jù)進行實時解析與狀態(tài)診斷,并基于強化學(xué)習(xí)等先進算法生成最優(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，而且能主動引導(dǎo)晶粒形核與生長、相變動力學(xué)等微觀過程，實現(xiàn)按需定制的組織與性能。

3.1　增材制造的實時感知與決策智能

增材制造鈦合金與機器學(xué)習(xí)的結(jié)合已成為材料科學(xué)與先進制造領(lǐng)域的前沿交叉方向，其核心目標(biāo)是通過數(shù)據(jù)驅(qū)動的方法解決傳統(tǒng)試錯法研發(fā)周期長、成本高、可重復(fù)性差等瓶頸問題。圖7為機器學(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、力學(xué)性能建模、缺陷識別與控制等多個維度取得顯著進展，并展現(xiàn)出從被動分析向主動智能設(shè)計演變的趨勢。

在增材制造過程中，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，實現(xiàn)對制造過程的快速預(yù)測與優(yōu)化。例如,Maitra等 [57]采用GPR模型預(yù)測激光粉末床熔融(laser powder bed fusion,LPBF)制備Ti-6Al-4V合金的相對密度。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個工藝參數(shù)，輸出為相對密度。通過使用文獻中收集的2900個數(shù)據(jù)點訓(xùn)練GPR模型，根據(jù)輸入工藝參數(shù)準(zhǔn)確預(yù)測LPBF制備Ti-6Al-4V合金的相對密度(平均絕對誤差為1.12%)。Lee等以LPBF制備的TC4合金為研究對象，提出一種基于帕累托主動學(xué)習(xí)(ParetoAL)的框架,并結(jié)合針對性實驗驗證，高效地探索了包含296個候選參數(shù)的龐大參數(shù)空間，從而精準(zhǔn)地確定能夠同時提升強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)出更高強度。該框架通過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，機器學(xué)習(xí)在增材制造過程物理場的快速預(yù)測與實時控制方面也展現(xiàn)出重要潛力。溫度場是決定熔池形貌、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，卻往往存在計算成本高、難以滿足實時預(yù)測需求的難題。針對這一問題,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，通過構(gòu)建一維卷積神經(jīng)網(wǎng)絡(luò)模型，實現(xiàn)對鈦鋁合金雙線等離子弧增材制造過程中二維溫度場分布的快速預(yù)測。該方法利用實驗紅外測溫數(shù)據(jù)與有限元模擬結(jié)果構(gòu)建訓(xùn)練集，并通過提取沉積路徑的一維溫度特征實現(xiàn)二維溫度場重構(gòu)。結(jié)果表明，該模型預(yù)測的溫度均方誤差約為0.5,峰值溫度誤差小于20℃,相對誤差低于1%，整體預(yù)測精度超過99%。同時，通過引入遷移學(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，可將計算時間由分鐘級縮短至秒級，為增材制造過程的在線預(yù)測與智能控制提供新的技術(shù)路徑。

在掌握制造過程參數(shù)及物理場演化規(guī)律的基礎(chǔ)上，研究重點進一步拓展至材料微觀組織及其力學(xué)性能的預(yù)測，相關(guān)研究已從早期的單一屬性預(yù)測發(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器學(xué)習(xí)方法，將內(nèi)在物理屬性和相變動力學(xué)融入模型中，僅用496個樣本即實現(xiàn)對亞穩(wěn)態(tài)β型鈦合金抗拉強度(R2=0.95)和斷后伸長率(R2=0.90)的精準(zhǔn)預(yù)測，解決了傳統(tǒng)機器學(xué)習(xí)外推能力不足的問題。Whitney等 [61]進一步提出一個物理增強的機器學(xué)習(xí)代理模型，用于預(yù)測LPBF制備的Ti-6Al-4V合金部件尺度的微觀結(jié)構(gòu)演變，成功克服跨時空尺度集成和實驗驗證的挑戰(zhàn)。此類模型不僅能夠預(yù)測最終性能，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)鍵問題提供新視角。

除材料組織與性能預(yù)測外,制造缺陷及其對服役性能的影響也是增材制造鈦合金研究的重要問題,監(jiān)督式機器學(xué)習(xí)方法在這方面展現(xiàn)出圖像識別和模式分類的優(yōu)勢。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)測航空發(fā)動機用TC17鈦合金高周疲勞壽命，其預(yù)測性能優(yōu)于常用的隨機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。

3.2　熱機械處理的全局路徑優(yōu)化

傳統(tǒng)工藝設(shè)計常將鍛造、軋制與多級熱處理割裂優(yōu)化，難以實現(xiàn)全局性能協(xié)同提升。新范式主張將復(fù)雜的熱機械處理路徑，包括變形溫度、應(yīng)變速率、退火及最終時效參數(shù)視為一個高維、連續(xù)的決策序列,并借助先進人工智能方法進行端到端的全局尋優(yōu)。Li等 [64]構(gòu)建一個自適應(yīng)的機器學(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)，而是通過多層感知機(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(如抗拉強度、沖擊功等)進行映射,并嵌入GA的優(yōu)化循環(huán)中。FEM仿真作為物理驗證器，對每一代候選參數(shù)集進行正向模擬，其結(jié)果又反饋用于修正MLP預(yù)測，該過程實現(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，實現(xiàn)流變應(yīng)力的可靠預(yù)測;另一方面，依托于該模型進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，進而在全局范圍內(nèi)快速識別適用于動態(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，在捕捉熱變形過程中動態(tài)回復(fù)與動態(tài)再結(jié)晶之間復(fù)雜的非線性競爭關(guān)系時存在局限。相比之下，提出的機器學(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))。這一能力對精確模擬和優(yōu)化包含多次變形與中間保溫的完整熱機械路徑至關(guān)重要，因為每一道次后的組織狀態(tài)(如位錯密度和再結(jié)晶分?jǐn)?shù))都將作為初始條件影響后續(xù)變形行為。因此，高保真度的機器學(xué)習(xí)代理模型構(gòu)成了實現(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，通過將機器學(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，實現(xiàn)對鈦合金熱機械處理全路徑的協(xié)同、全局尋優(yōu)，為獲得兼具高強度、高塑性與優(yōu)異服役可靠性的先進鈦合金構(gòu)件開辟新途徑。

3.3　防護涂層的高維設(shè)計空間智能導(dǎo)航

涂層設(shè)計的核心是構(gòu)建物理阻隔與化學(xué)調(diào)控雙重防護體系，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)雜工況條件對鈦合金的涂層設(shè)計提出嚴(yán)苛要求，傳統(tǒng)的材料設(shè)計難以同步實現(xiàn)多種服役性能的匹配。近年來，基于數(shù)據(jù)的人工智能方法能夠在大量實驗和計算結(jié)果中學(xué)習(xí)，為多功能復(fù)雜涂層設(shè)計及優(yōu)化提供可能 [67]。一方面，通過訓(xùn)練模型預(yù)測涂層的抗氧化性、硬度、耐磨性，能夠顯著減少傳統(tǒng)試錯法的時間和成本;另一方面,數(shù)據(jù)驅(qū)動的反向設(shè)計策略利用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)對于鈦合金表面TiC陶瓷涂層質(zhì)量的影響規(guī)律，通過多道熔覆正交實驗獲得涂層厚度、寬度、高度差等幾何特性(圖9(a))及其力學(xué)性能，以支持向量機建立涂層熔覆質(zhì)量特性的預(yù)測模型，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。Lin等 [70]探究Ti-6Al-4V合金表面光刻工藝對于表面氧化層結(jié)構(gòu)的影響(圖9(b)),通過構(gòu)建支持向量機模型，同步優(yōu)化曝光時間、烘烤溫度等參數(shù)，提升航空級鈦合金表面微結(jié)構(gòu)的保真度。Singh等 [71]通過調(diào)整升級網(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個神經(jīng)元在準(zhǔn)確性和計算效率間達(dá)到平衡，機器學(xué)習(xí)回歸方法在材料性能預(yù)測中表現(xiàn)優(yōu)異。

Kumaran等 [74]在對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)對觀察到的數(shù)據(jù)進行分析和優(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)兩種工具進行預(yù)測,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)庫并對比不同模型預(yù)測的準(zhǔn)確率，研究發(fā)現(xiàn)隨機森林模型預(yù)測的準(zhǔn)確率最高。上述研究表明，AI技術(shù)可以通過分析涂層制備工藝參數(shù)對結(jié)構(gòu)和功能的影響，優(yōu)化涂層設(shè)計，并通過優(yōu)化算法和參數(shù)據(jù)庫并對比不同模型預(yù)測的準(zhǔn)確率，研究發(fā)現(xiàn)隨機森林模型預(yù)測的準(zhǔn)確率最高。上述研究表明，出結(jié)合有限元建模和機器學(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)測所需的數(shù)據(jù)量，有效的建模獲取參數(shù)能夠顯著地擴充機器學(xué)習(xí)的數(shù)據(jù)集。Kolesnikov等 [72]則通過自適應(yīng)采樣算法和ANSYS仿真軟件對不同成分和厚度的涂層進行壓痕模擬，構(gòu)建訓(xùn)練數(shù)據(jù)集，采用機器學(xué)習(xí)近似模型(圖9(c))在預(yù)測涂層的硬度方面表現(xiàn)出較高的準(zhǔn)確性(R2=0.96)。然而在已報道的文獻中多次提到,基于數(shù)據(jù)驅(qū)動的涂層結(jié)構(gòu)設(shè)計和性能預(yù)測中存在預(yù)測值和實驗偏差的問題，模型的魯棒性和可解釋性也有待進一步提升 [67]。基于此,研究人員們通過模型架構(gòu)的優(yōu)化、數(shù)據(jù)增強、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種針對涂層抗氧化性和抗燒蝕性的機器學(xué)習(xí)預(yù)測模型,并結(jié)合SHAP可解釋性方法對隨機森林模型進行分析(圖9(d)),揭示各類輸入特征對燒蝕特性的影響機制。

4、評價與服役:從離線檢測到在線預(yù)測與數(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)的評估與運維保障系統(tǒng)大多依賴于離線、靜態(tài)、破壞性或半破壞性的檢測手段，這種方法不僅成本高昂、周期漫長，而且難以反映單個構(gòu)件在其獨特制造過程和服役環(huán)境下的真實狀態(tài)，本質(zhì)上是一種事后響應(yīng)的被動管理模式。AI的深度融入引領(lǐng)評價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)測與個體化數(shù)字孿生，實現(xiàn)對鈦基材料壽命與可靠性的主動、精準(zhǔn)的動態(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，對構(gòu)件疲勞壽命、蠕變行為等關(guān)鍵服役性能的評估主要依賴耗時、昂貴且具有破壞性的物理實驗，如標(biāo)準(zhǔn)試樣的高/低周疲勞測試和高溫蠕變實驗。這類方法不僅無法覆蓋全批次產(chǎn)品，而且難以反映增材制造工藝波動、熱處理差異和微觀組織異質(zhì)性導(dǎo)致的個體性能差異。

隨著AI技術(shù)(特別是深度學(xué)習(xí)和可解釋機器學(xué)習(xí))的發(fā)展,研究人員可直接以材料出廠時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)測其宏觀力學(xué)性能與統(tǒng)計壽命分布。這種初篩范式具有顯著優(yōu)勢，僅采集初始狀態(tài)數(shù)據(jù)即可完成性能預(yù)測，避免大量物理實驗;同時，對每一構(gòu)件皆可建立專屬性能檔案并進行個體化評估，突破傳統(tǒng)批次穩(wěn)定性的局限，及時發(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，通過疲勞指示參數(shù)生成擴充的疲勞壽命數(shù)據(jù)集，并在此基礎(chǔ)上對比多種機器學(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的二維圖像中自動識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)測精度方面表現(xiàn)出明顯優(yōu)勢。這項工作極具開創(chuàng)性，證明了無需人工設(shè)計復(fù)雜的微觀特征參數(shù)，僅憑一張初始顯微組織照片，AI即可完成對構(gòu)件疲勞性能端到端的智能初篩。這不僅極大地簡化評價流程,而且將微觀結(jié)構(gòu)視角真正融入壽命預(yù)測的數(shù)字化核心,為實現(xiàn)基于真實微觀組織的個體化、高保真壽命評估鋪平道路。

對于增材制造構(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)計算機斷層掃描(computed tomography,CT)作為獲取構(gòu)件出廠基因的關(guān)鍵手段，設(shè)計出一個三步漸進式預(yù)測模型(圖10(b))。首先,利用嶺分類(ridge classification,RC)算法從CT檢測到的所有孔隙中精準(zhǔn)識別出最危險的臨界孔隙;隨后，基于該臨界孔隙的特征預(yù)測疲勞斷口上是否會出現(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核嶺回歸(kernel ridge regression,KRR)模型對最終疲勞壽命進行高精度預(yù)測。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)測結(jié)果與實驗值的相關(guān)系數(shù)高達(dá)0.951。這項研究工作首次實現(xiàn)從三維無損檢測的孔隙地圖到個體化疲勞壽命預(yù)報的完整鏈條，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景的實現(xiàn)。

在航空發(fā)動機等核心部件設(shè)計過程中，超高周疲勞和高溫蠕變壽命作為關(guān)鍵性能指標(biāo)，實驗周期極為漫長、經(jīng)濟成本昂貴，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)對稀疏的原始超高周疲勞數(shù)據(jù)集進行擴展，在保留原始數(shù)據(jù)分布特征的前提下有效擴充訓(xùn)練樣本(圖10(c)、(d))。隨后構(gòu)建改進的PSO-BP神經(jīng)網(wǎng)絡(luò)模型,通過PSO算法對BP網(wǎng)絡(luò)的權(quán)重和閾值進行全局尋優(yōu),并引入動態(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、屈服強度、抗拉強度、試樣尺寸和應(yīng)力幅值5個關(guān)鍵初始狀態(tài)參數(shù)作為輸入，成功實現(xiàn)對多種鈦合金(如TC4、TC11、IMI834合金等)超高周疲勞壽命的高精度預(yù)測。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)測波動低至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)模型和隨機森林模型。

需要指出的是，基于統(tǒng)計模型的數(shù)據(jù)生成方法在緩解小樣本問題方面具有重要價值，但其本質(zhì)仍屬于數(shù)據(jù)驅(qū)動的虛擬樣本擴展機制。若缺乏與材料物理機理和本構(gòu)模型的交叉驗證，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。因此在工程應(yīng)用中，數(shù)據(jù)增強策略通常需要與物理約束模型或?qū)嶒烌炞C相結(jié)合，以提升預(yù)測結(jié)果在真實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)裂紋萌生與擴展、位錯增殖和相變)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)機制基礎(chǔ),但往往因參數(shù)識別困難而導(dǎo)致精度不足;而完全依賴數(shù)據(jù)驅(qū)動的方法雖然具備較強的擬合能力，卻由于缺乏物理約束，難以在未知工況下實現(xiàn)可靠外推預(yù)測。在此背景下，數(shù)據(jù)-物理融合策略逐漸成為實現(xiàn)高精度、實時損傷識別與壽命預(yù)測的關(guān)鍵技術(shù)路徑。

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

Guo等 [79]針對深海潛水器鈦合金壓力殼的蠕變-疲勞耦合損傷問題，提出一種典型的連續(xù)損傷力學(xué)-先驗信息引導(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，建立一個能準(zhǔn)確描述室溫下蠕變損傷與疲勞損傷相互促進效應(yīng)的物理模型，并通過有限元方法生成包含1000個樣本的高保真數(shù)據(jù)庫。隨后，以操作壓力、駐留時間、軸向與周向應(yīng)力等作為輸入，以失效循環(huán)數(shù)與實際運行時間作為輸出，訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)建立快速預(yù)測模型。結(jié)果表明，該CDM-iNN模型不僅預(yù)測精度極高(測試集R2>0.9998),而且預(yù)測時間(約3ms)相較于傳統(tǒng)有限元計算(約50~60min)提升4個數(shù)量級。這項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，再利用數(shù)據(jù)驅(qū)動模型實現(xiàn)物理模型的高效代理，從而實現(xiàn)復(fù)雜損傷演化過程的快速預(yù)測。

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器學(xué)習(xí)的深度融合。構(gòu)建一個耦合宏觀變形與微觀損傷演化的多尺度模型，并利用機器學(xué)習(xí)算法來高效求解該復(fù)雜模型。雖然其應(yīng)用場景為制造過程，但利用AI加速和增強多尺度物理損傷模型的求解與預(yù)測能力的方法，對服役階段損傷演化的預(yù)測和分析具有重要參考價值。

盡管物理-數(shù)據(jù)融合模型為突破純數(shù)據(jù)驅(qū)動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)計問題時，仍面臨一系列挑戰(zhàn)。首先，在多尺度、多場耦合的復(fù)雜力學(xué)問題中，模型往往需要同時滿足力學(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)練過程演化為高度非凸的多約束優(yōu)化問題,易出現(xiàn)梯度不穩(wěn)定、收斂困難等問題;其次，在沖擊載荷、循環(huán)疲勞、高速變形等動態(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非線性特征,這對機器學(xué)習(xí)模型的結(jié)構(gòu)設(shè)計、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、實驗數(shù)據(jù)噪聲較大、多源數(shù)據(jù)一致性不足等問題，這進一步增加物理約束與數(shù)據(jù)驅(qū)動模型協(xié)同優(yōu)化的難度。如何在有限數(shù)據(jù)條件下實現(xiàn)穩(wěn)定收斂，并構(gòu)建兼具物理一致性與預(yù)測能力的混合建模框架，已成為物理信息驅(qū)動材料智能設(shè)計需要突破的前沿問題。

4.3　構(gòu)件級數(shù)字孿生體的搭建

上述兩項技術(shù)的最終目的是搭建高保真構(gòu)件級數(shù)字孿生體。對于航空發(fā)動機雙性能鈦合金整體葉盤等關(guān)鍵部件，其數(shù)字孿生體是一個貫穿全生命周期信息的、可動態(tài)演化的虛擬映射，是材料設(shè)計模型、工藝仿真模型、個體制造過程與實時服役數(shù)據(jù)4個方面的深度融合。材料智能設(shè)計階段的熱力學(xué)數(shù)據(jù)庫以及成分-工藝-性能預(yù)測模型為數(shù)字孿生體提供材料本征屬性的初始知識庫。Hao等 [81]通過將α→β相變、動態(tài)再結(jié)晶等物理機制顯式地嵌入本構(gòu)模型中，并利用機器學(xué)習(xí)進行參數(shù)優(yōu)化，成功構(gòu)建一個能準(zhǔn)確描述材料在熱變形過程中復(fù)雜流變行為的高保真模型。這種機理與數(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)奠定堅實基礎(chǔ)。此外數(shù)字孿生體能夠深度融合特定構(gòu)件的個體化制造過程,例如在增材制造過程中每層的熔池形貌、熱力學(xué)演化等實時監(jiān)控數(shù)據(jù)均可被記錄并用于重構(gòu)其內(nèi)部殘余應(yīng)力場與晶粒取向分布。Li等 [82]通過量化激光功率、掃描速率等關(guān)鍵工藝參數(shù)對材料性能的影響權(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)制造過程參數(shù)對于預(yù)測最終性能至關(guān)重要。更重要的是，數(shù)字孿生體可以通過機載傳感器網(wǎng)絡(luò)持續(xù)接收真實的飛行載荷譜、溫度場、結(jié)構(gòu)響應(yīng)數(shù)據(jù)，并以此為驅(qū)動進行動態(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,動態(tài)模擬該特定個體在真實服役環(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)測微觀組織在不同條件下的時空演化規(guī)律,這為孿生體模擬服役過程中的組織退化(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、又具備毫秒級預(yù)測速度的代理模型,用于實時追蹤損傷累積并預(yù)測剩余使用壽命(remaining useful life,RUL)。此外,Bai等提出生命周期評估(life cycle assessment,LCA)框架,表明數(shù)字孿生體的功能可延伸至環(huán)境影響評估等更廣泛的維度。

因此，構(gòu)件級數(shù)字孿生體的輸出不再是基于批次統(tǒng)計估計的平均保守壽命，而是針對唯一實體的個體化、動態(tài)化、高精度的RUL預(yù)測。這使得維護策略可以從傳統(tǒng)的定時維修或視情維修躍升至預(yù)測性維護，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)雜相變路徑以及對熱-力過程參數(shù)的高度敏感性，長期受困于傳統(tǒng)的試錯-歸納研發(fā)模式。該范式高度依賴專家先驗知識，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，往往面臨巨大的實驗成本與時間代價。與此同時，對強度、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)雜的耦合機制，多停留于唯象層面的定性描述，難以實現(xiàn)由物理機理驅(qū)動的定向調(diào)控與精準(zhǔn)設(shè)計。近年來，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)為計算工具的迭代升級，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)造全過程。新一代研發(fā)范式以領(lǐng)域知識-數(shù)據(jù)驅(qū)動-算法解析-自動化閉環(huán)為核心特征，致力于構(gòu)建一個能夠從多尺度數(shù)據(jù)中持續(xù)學(xué)習(xí)、在虛擬與現(xiàn)實空間中迭代優(yōu)化并不斷沉淀與修正領(lǐng)域知識的智能增強系統(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、實踐途徑與深層挑戰(zhàn)，為突破該領(lǐng)域長期存在的經(jīng)驗依賴與試錯瓶頸、實現(xiàn)從認(rèn)知局限到設(shè)計自由的跨越發(fā)展，提供系統(tǒng)性思考。

5.1　新范式的核心支撐與運行邏輯

新范式的建立依賴于3個相互支撐的核心內(nèi)容，共同構(gòu)成一個區(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算

新范式的起點是數(shù)據(jù)維度與深度的挖掘。針對鈦基材料對成分微調(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)、單點表征已無法滿足需求，取而代之的是多尺度、多模態(tài)、原位/實時的高通量數(shù)據(jù)流:同步輻射與透射電鏡對α/β相變動力學(xué)與位錯演化的原位觀測;增材制造過程中對熔池形貌、熱梯度、冷卻速率及β晶粒取向的實時監(jiān)控;結(jié)合第一性原理計算與CALPHAD方法對Ti-Al-V-Mo-Sn-Zr等多元體系進行高通量相穩(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),使對復(fù)雜相變行為與性能關(guān)聯(lián)的動態(tài)、全景式理解成為可能 [4?5,7,84?86]。

(2)物理信息增強的模型認(rèn)知系統(tǒng)

純數(shù)據(jù)驅(qū)動易陷入黑箱與外推失效。鑒于鈦基材料的物理機制相對清晰但高度非線性耦合,新范式強調(diào)物理信息增強的機器學(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β相穩(wěn)定性的解釋、α/β相變熱力學(xué)與Johnson-Mehl-Avrami動力學(xué)模型、晶體塑性各向異性本構(gòu)關(guān)系以及擴散控制的析出長大方程)作為硬約束或軟正則項嵌入神經(jīng)網(wǎng)絡(luò)架構(gòu)。例如，將描述α片層形核與粗化的相場方程殘差引入損失函數(shù)，可使代理模型在預(yù)測熱處理后組織時自動滿足熱力學(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)測可靠性與泛化能力 [87?89]。

(3)機器人驅(qū)動的自動化實驗閉環(huán)

認(rèn)知必須通過行動驗證。鑒于鈦合金制備對氣氛純度、成分均勻性及熱過程控制極為苛刻，自動化機器人實驗平臺成為實現(xiàn)設(shè)計-合成-表征-測試閉環(huán)的關(guān)鍵物理載體。結(jié)合主動學(xué)習(xí)算法，AI可自主提出最具信息增益的下一個實驗(如微合金化成分點或階梯退火制度),由機器人系統(tǒng)在真空或惰性氣氛下完成熔煉、熱機械處理,并自動采集微區(qū)成分、初生α相比例、顯微硬度等關(guān)鍵指標(biāo)，結(jié)果即時回饋訓(xùn)練集，驅(qū)動模型迭代更新。該閉環(huán)系統(tǒng)不僅避免科學(xué)家重復(fù)勞動，而且實現(xiàn)對高維設(shè)計空間的定向、主動、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)中的實踐途徑

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

(1)從性能導(dǎo)向到機理嵌入的合金設(shè)計

傳統(tǒng)設(shè)計止步于滿足宏觀性能指標(biāo)，新范式深入至微觀機理層面。首先，集成CALPHAD熱力學(xué)數(shù)據(jù)庫與機器學(xué)習(xí)，精準(zhǔn)預(yù)測多元體系中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)性等組織特征對強度、塑性及裂紋偏轉(zhuǎn)路徑的影響;最后，通過多目標(biāo)優(yōu)化生成成分-工藝-組織一體化方案，不僅滿足高強高韌要求，而且預(yù)設(shè)主導(dǎo)變形機制(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)建基于物理的實時智能調(diào)控系統(tǒng)。通過同步采集熔池形態(tài)、熱力學(xué)演化、原位光譜(監(jiān)測O/N元素污染)等多模態(tài)信號，訓(xùn)練深度學(xué)習(xí)模型動態(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)動執(zhí)行器實時調(diào)整激光功率、掃描策略和保護氣流量，實現(xiàn)閉環(huán)補償。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)控制升級為自適應(yīng)過程智能，從根本上保障關(guān)鍵部件(如發(fā)動機葉片)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)測的性能評估

面對航空航天領(lǐng)域?qū)︹伜辖鹪谄凇⑷渥兊榷囫詈献饔孟麻L時服役性能的嚴(yán)苛需求，當(dāng)前研究致力于構(gòu)建跨尺度、跨維度的機理關(guān)聯(lián)預(yù)測框架。該框架依托于原位監(jiān)測技術(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)與物理損傷模型(如基于晶體塑性的疲勞指示參數(shù)、空穴形核與長大動力學(xué))進行系統(tǒng)融合。進一步借助遷移學(xué)習(xí)或物理信息神經(jīng)網(wǎng)絡(luò)等策略,實現(xiàn)從短時加速實驗數(shù)據(jù)到長時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)動著從傳統(tǒng)事后驗證模式向壽命可設(shè)計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耦合下的長時蠕變數(shù)據(jù))缺失、描述符不統(tǒng)一(對網(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、各向異性特征的機器可讀數(shù)據(jù)標(biāo)準(zhǔn)，并建立安全可信的共享激勵機制 [103?110]。

(2)模型挑戰(zhàn):可解釋性、因果性與可信度

當(dāng)前模型尚未形成對成分/工藝→組織演變→性能全鏈條因果機制的深度解析能力，大多停留于統(tǒng)計關(guān)聯(lián)層面。例如，模型可預(yù)測某成分以提升強度，卻難以闡明其源于α細(xì)化、界面強化還是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制，構(gòu)建兼具高精度、強泛化與物理可解釋性的可信模型，是贏得科學(xué)家信任、實現(xiàn)數(shù)據(jù)擬合向機理認(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，科學(xué)家需在模型中注入先驗知識以此來約束AI挖掘的復(fù)雜模式，并對其生成的海量方案進行基于物理直覺的戰(zhàn)略篩選。高效的人機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)實的"最后一公里"

AI設(shè)計的理想組織對工藝波動極度敏感,虛擬-實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AI設(shè)計的新材料或動態(tài)調(diào)控的新工藝,缺乏可靠性評估標(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、逆向優(yōu)化設(shè)計、自主實驗等多個環(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新階段過程中,仍面臨多重系統(tǒng)性挑戰(zhàn)與深層爭議。未來發(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　非共識性問題

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，但其未來發(fā)展仍面臨若干深層次、尚未形成共識的關(guān)鍵問題。這些問題不僅關(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)分析工具和強大的預(yù)測代理模型。但是，一個更具顛覆性的問題是:AI是否可能超越工具屬性，具備自主提出原創(chuàng)性科學(xué)問題并設(shè)計實驗方案予以驗證的能力。若成為現(xiàn)實，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言模型(large language models,LLMs)從文獻中挖掘隱性知識以輔助提出新假設(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議 [123?124]。

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

AI模型提升性能的動力來源于高質(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)為能加速整個領(lǐng)域的知識積累與技術(shù)進步，如Al通過高通量實驗構(gòu)建的公開數(shù)據(jù)庫為多目標(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)庫為商業(yè)競爭力，擔(dān)心無條件開放會直接導(dǎo)致技術(shù)優(yōu)勢喪失，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)練一個全局模型;而區(qū)塊鏈技術(shù)則有望為數(shù)據(jù)貢獻提供可追溯、不可篡改的產(chǎn)權(quán)證明與價值分配機制。然而這些方案在實際工程場景中的有效性、安全性與經(jīng)濟性仍有待驗證，能否真正建立一個兼顧創(chuàng)新激勵與知識共享的健康生態(tài)，目前尚無定論 [125?127]。

(3)最佳研發(fā)路徑之爭: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，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，期望通過海量數(shù)據(jù)預(yù)訓(xùn)練獲得強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)知識的鈦基材料專用人工智能系統(tǒng)。這類面向特定場景需求的垂直領(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]，正是后一路徑的實踐。將來，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)針對性成為主流，仍是懸而未決的戰(zhàn)略性問題 [128?131]。

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

在AI+Ti的方法論層面，數(shù)據(jù)驅(qū)動與物理驅(qū)動范式的根本地位之爭尤為突出。物理驅(qū)動派強調(diào)必須以第一性原理計算、相場模擬、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，尤其面對稀疏數(shù)據(jù)時風(fēng)險極高;數(shù)據(jù)驅(qū)動派認(rèn)為在鈦合金這類涉及多尺度、多物理場強耦合的極端復(fù)雜體系中，構(gòu)建全域精確的物理模型是一項不可能的任務(wù)。相比之下，數(shù)據(jù)驅(qū)動方法憑借其強大的非線性擬合與模式識別能力，在有限數(shù)據(jù)下往往能獲得更優(yōu)的工程預(yù)測精度，展現(xiàn)出更強的普適性與靈活性。此爭論直指智能材料研發(fā)的方法論根基。當(dāng)前的共識趨向于深度融合，即以不可違背的物理定律為剛性骨架，對AI模型的輸出施加約束;同時以高質(zhì)量、多維度的實驗與模擬數(shù)據(jù)為內(nèi)容，驅(qū)動模型學(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，如何在不同場景下最優(yōu)地平衡二者權(quán)重，尚無普適準(zhǔn)則 [87?89]。

6.2　未來發(fā)展方向與建議

隨著數(shù)據(jù)驅(qū)動研發(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)測向全流程、多尺度、多物理場耦合的系統(tǒng)性工程跨越 [3]。面對航空發(fā)動機關(guān)鍵轉(zhuǎn)動件與承力件對材料損傷容限、高溫?zé)岱€(wěn)定性以及極端工況適應(yīng)性的嚴(yán)苛要求，未來研究將致力于構(gòu)建貫穿成分設(shè)計、制備工藝優(yōu)化和服役行為評價的智能化研發(fā)體系。本節(jié)將從復(fù)雜服役行為的精細(xì)化預(yù)測與機理解析、制造過程的智能協(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3個維度，對該領(lǐng)域的未來發(fā)展趨勢進行深入闡述。

(1)復(fù)雜服役環(huán)境下的材料性能預(yù)測與多尺度耦合

在力學(xué)性能預(yù)測方面，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制以及動態(tài)沖擊載荷等多元復(fù)雜工況時，現(xiàn)有預(yù)測方法在物理建模精度與數(shù)據(jù)驅(qū)動能力方面均顯不足，難以全面刻畫材料的真實響應(yīng)行為。未來的研究重心將被導(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，而是引入通過計算機視覺與圖像分割技術(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)強度等。此外，針對疲勞壽命精準(zhǔn)預(yù)測這一關(guān)鍵科學(xué)挑戰(zhàn)，亟須構(gòu)建融合斷裂力學(xué)機理的概率型機器學(xué)習(xí)模型。該模型應(yīng)重點刻畫微觀缺陷分布的統(tǒng)計規(guī)律，量化其對裂紋萌生位置與擴展壽命的貢獻權(quán)重，從而實現(xiàn)對鈦合金高周及超高周疲勞極限的精準(zhǔn)評估。通過引入物理機制約束，可顯著降低工程設(shè)計中過度依賴安全系數(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)動建模將被化學(xué)-熱力學(xué)-流體力學(xué)耦合機制修正。在未來的預(yù)測模型構(gòu)建中，研究將聚焦于氧化膜生長熱力學(xué)條件和動力學(xué)過程的深入解析，通過整合合金元素(如鋁、鉻、鈮元素)在氧化膜與基體界面的擴散系數(shù)、熱力學(xué)特征參數(shù)以及吉布斯自由能變化，模型可實現(xiàn)對氧化膜的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。特別是在鈦火防控領(lǐng)域，基于現(xiàn)有的激光點火與燃燒實驗積累的多維數(shù)據(jù)，機器學(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)測圖譜。通過集成基礎(chǔ) thermodynamics 計算數(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)建燃燒動力學(xué)混合模型。該模型將在設(shè)計階段篩選出能夠通過形成連續(xù)致密氧化層，阻隔氧元素擴散，或利用高黏度熔體流動抑制燃燒區(qū)域擴展的新型阻燃鈦合金成分，從而大幅降低極端環(huán)境測試的試錯成本與周期 [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)整不再滿足對特殊目標(biāo)性能的定制要求，需推動工藝優(yōu)化向熔煉-鍛造-熱處理-機械加工全流程的智能協(xié)同控制演進。隨著傳統(tǒng)熔鑄及鍛造工藝的發(fā)展，機器學(xué)習(xí)正被引入以構(gòu)建面向多物理場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得的流變應(yīng)力數(shù)據(jù)，可通過模型訓(xùn)練實現(xiàn)對動態(tài)再結(jié)晶、動態(tài)回復(fù)與相變演化過程的預(yù)測。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)件制造過程中實現(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)計環(huán)節(jié)，相場模擬與機器學(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、冷卻速率與時效工藝參數(shù)，進而實現(xiàn)對初生相含量、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)用將聚焦于過程缺陷的實時監(jiān)測與抑制。鑒于增材制造過程中涉及極快的熱循環(huán)(103~10? K/s)與復(fù)雜的熔池動力學(xué),未來的研究將致力于開發(fā)基于多傳感器融合的在線監(jiān)測-實時反饋-參數(shù)調(diào)整閉環(huán)控制系統(tǒng)。通過卷積神經(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，對加工過程中的熔池光學(xué)圖像、聲發(fā)射信號、熱輻射數(shù)據(jù)及鋪粉質(zhì)量進行實時處理，識別未熔合、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)之間的動態(tài)關(guān)聯(lián)模型。通過主動學(xué)習(xí)框架，模型能夠在制造過程中動態(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

針對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)算法往往面臨過擬合風(fēng)險高或物理可解釋性缺失的問題。因此,構(gòu)建深度融入鈦合金領(lǐng)域知識的物理信息感知機器學(xué)習(xí)模型是未來算法演進的核心方向 [132]。

該框架將通過三大核心策略進行系統(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、價電子濃度、d電子軌道能級參數(shù)(如Md和Bo)、原子半徑錯配度、電負(fù)性差、混合焓等具有明確物理意義的復(fù)合參數(shù),以此實現(xiàn)對鈦合金相穩(wěn)定性、固溶強化機理、電子結(jié)構(gòu)等內(nèi)在機制的精準(zhǔn)表征 [4]。這種降維處理不僅能有效減少計算負(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)測精度同等重要的地位。通過應(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)對目標(biāo)性能的邊際貢獻，這不僅有助于驗證模型預(yù)測邏輯是否符合物理冶金常識(例如驗證鋁、鋯元素對α相穩(wěn)定性的正向貢獻，或釩、鉬元素降低β相轉(zhuǎn)變溫度的作用),還能通過特征重要性排序為新材料的成分調(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)等新的強化機制。更重要的是,面對高維設(shè)計空間中的數(shù)據(jù)稀疏問題,引入主動學(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)，能夠使模型具備實驗路徑的自主規(guī)劃能力，在探索未知區(qū)域與開發(fā)高值區(qū)域之間實現(xiàn)自適應(yīng)平衡。該策略通過推薦信息增益最大或性能提升潛力最顯著的成分點或工藝點進行驗證,并將新生成的實驗數(shù)據(jù)實時融入數(shù)據(jù)集驅(qū)動模型迭代更新。由此可在最小化實驗迭代次數(shù)的前提下高效逼近性能帕累托最優(yōu)邊界。同時，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)庫中預(yù)訓(xùn)練的模型參數(shù)，通過遷移學(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)擬合向物理機理融合過渡的關(guān)鍵階段。未來通過深度融合材料基因工程要素、先進算法與高通量實驗技術(shù),有望建立起具有高物理保真度、強泛化能力與自主進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)動力。盡管AI+Ti的研究目標(biāo)與應(yīng)用場景千差萬別，但其實施通常遵循一個可重復(fù)的結(jié)構(gòu)化工作流程，以科學(xué)問題為起點，以工程驗證為終點，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，該流程通常始于對科學(xué)問題的清晰界定，這一環(huán)節(jié)為整個研究過程提供方向和邊界，對后續(xù)模型構(gòu)建與材料設(shè)計具有基礎(chǔ)性作用。通過明確材料設(shè)計目標(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)動材料設(shè)計的核心支撐，相關(guān)信息通常來源于實驗測量、第一性原理計算、高通量模擬、已有文獻數(shù)據(jù)庫等多種渠道，通過數(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。隨后通過特征工程將原始材料信息轉(zhuǎn)化為機器學(xué)習(xí)可識別的描述符，并將復(fù)雜材料體系映射為可學(xué)習(xí)的特征向量,從而提升模型對結(jié)構(gòu)-性能關(guān)系的識別能力。在模型構(gòu)建階段，多種機器學(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，實現(xiàn)材料性能的快速預(yù)測，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)測能力的模型后，可以進一步開展反向設(shè)計與優(yōu)化，通過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,在有限實驗條件下顯著提升材料設(shè)計效率。最后，模型預(yù)測得到的候選材料仍需通過實驗制備與多尺度表征進行驗證,實驗結(jié)果不僅用于驗證模型預(yù)測的可靠性，還能夠作為新的數(shù)據(jù)重新反饋至數(shù)據(jù)庫中,用于持續(xù)更新模型并優(yōu)化后續(xù)設(shè)計過程,從而形成數(shù)據(jù)、模型與實驗協(xié)同推進的材料研發(fā)閉環(huán)。

7、結(jié)束語

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)問題與工程需求為導(dǎo)向的縱深發(fā)展期,升級為一場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，AI+Ti走向應(yīng)用端成功與否，關(guān)鍵在于能否實現(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，并共同推進人工智能鈦科學(xué)研究新范式。不僅要用AI創(chuàng)造鈦的領(lǐng)域新知識，而且要用鈦的強化理論來約束和啟迪AI的構(gòu)建，涉及鈦基材料研究智能體、專業(yè)語言模型以及逆向設(shè)計與性能優(yōu)化。未來，最有力的高性能鈦基材料研究智能體，必將根植于相變動力學(xué)、缺陷物理和使役失效機理的底層邏輯并深度融合于算法模型之中。面對AI+Ti數(shù)據(jù)、驗證與集成的機遇挑戰(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、設(shè)計與制造中釋放創(chuàng)新自由，最終為國之重器自主研制奠定堅實的智能基石。

參考文獻

[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. 機器學(xué)習(xí)在航空發(fā)動機鈦合金研究中的應(yīng)用進展[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)動機鈦合金分子動力學(xué)計算技術(shù)研究進展[J]. 航空材料學(xué)報,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℃高溫鈦合金研究進展[J]. 航空材料學(xué)報,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. 機器學(xué)習(xí)在材料研發(fā)中的應(yīng)用[J]. 金屬學(xué)報,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)動高性能鈦基材料設(shè)計與制造的研究進展：機遇與挑戰(zhàn)_弭光寶）