钛合金是20世纪50年代初期发展与应用的重要金属结构材料，被誉为继钢铁和铝合金之后崛起的"第三金属"。高性能钛基材料涵盖先进钛合金、钛铝系金属间化合物、钛基复合材料、钛火防控新材料等，因其比强度高、耐腐蚀好、使用温度宽等诸多优异特性，成为现代飞行器、航空发动机、深海探测装备、高端生物医疗植入体等领域的关键应用材料，这些优异的综合性能得益于钛基材料在物理冶金过程中多种变形机制的交互耦合，如α/β多相共存与转变、马氏体相变、有序化反应、位错滑移与孪生等。然而，高性能钛基材料的成分-工艺-组织-性能呈现极端高维度、非线性关系,并对氧等微量间隙元素及热-力过程参数敏感 [1],使其成为难以预测和调控的金属材料体系之一。尽管密度泛函理论(density functional theory,DFT)、相图计算方法(calculation of phase diagrams,CALPHAD)等工具为材料研发提供重要支撑，但在处理上述复杂系统时存在模型简单和成本高的问题,无法在多物理场耦合下精准捕捉显微组织演化并进行全局寻优，导致研发过程高度依赖经验，面临周期长、成本高和效率低的瓶颈 [2]，难以满足未来极端环境应用场景对高性能钛基材料快速迭代与定制设计的迫切需求。
人工智能(artificial intelligence,AI)的快速发展从根本上破解高性能钛基材料的研发困局并掀起颠覆性范式革命 [3],其以强大的高维非线性函数处理、复杂模式识别与全局优化能力，为连接微观机理与宏观工程性能开辟新的技术途径。这场变革的核心在于构建一个数据密集、物理信息增强、机器人驱动的自动化实验闭环为主要模式的智能增强系统。AI正驱动研发范式从被动的经验驱动向主动的数据与计算双轮驱动、人机深度协同、虚拟与现实持续迭代的全新模式发生根本性跃迁。在此新范式下，AI不仅加速筛选与优化，而且通过嵌入物理规律确保认知科学性，并主动探索现有理论与经验尚未覆盖的设计空间 [4−6]。
本文系统综述AI驱动高性能钛基材料技术(AI+Ti)的最新研究进展，聚焦AI如何针对该材料体系特有的复杂性提供创新解决方案。主要涉及AI在构建高精度相图-性能预测模型、实现性能目标→微观组织→成分/工艺逆向设计中的突破;在增材制造等关键过程中，推动控制策略从静态工艺窗口向动态过程智能升级，实现组织与性能的主动调控;以及构建基于多尺度数据融合的数字孪生框架，用于服役行为的跨尺度寿命预测。在此基础上，深入剖析AI+Ti领域面临的核心挑战，包括高质量标准化数据生态的缺失、模型可解释性与因果推理能力的不足、跨尺度建模与人机协同的壁垒，以及从虚拟设计到工程认证的"最后一公里"障碍。最后，展望物理信息机器学习、自主实验平台等未来发展方向，并就AI的角色定位、知识表示与人机协作模式、工程信任的建立机制等尚存争议的非共识性问题进行前瞻性讨论。
1、AI+Ti的核心方法论:面向材料复杂性的专业算法与数据策略
在高性能钛基材料这一研究领域，AI+Ti是建立在一套严谨且可复现的系统性方法论之上。该方法论以破解材料复杂性与实现材料素化为根本出发点，通过标准化人工智能工作流程作为框架，精准匹配并部署一系列专业化研发范式与智能算法，以解决小样本高成本、物理可解释性、工艺路径序列决策等核心挑战，旨在通过简化设计过程与优化材料使用，实现结构性能与工程实用的平衡。
从方法论角度看，材料智能设计通常需要根据研究目标、数据规模及问题复杂程度，选择合适的算法框架。随着材料问题复杂度不断提升，集成学习、多模型融合、物理信息机器学习等方法也逐渐成为提升预测可靠性与可解释性的重要技术途径。鉴于不同人工智能算法在数据需求、建模能力及适用任务方面存在明显差异，对其适用边界及优势进行系统比较具有重要意义。因此，表1对当前材料设计研究中常见的AI算法类型及其核心优势、局限性以及典型应用场景进行归纳总结 [7−14],为后续钛基材料智能设计的算法选择与方法集成提供参考。
表 1 AI 算法适用边界与优劣势对比
| Type of AI algorithm | Typical algorithm | Underlying mechanism | Main advantage | Main disadvantage | Scope of applicability | Typical application in material design |
| Linear/statistical learning | Linear regression , least absolute shrinkage and selection operator (LASSO) | Statistical regression and parameter fitting | Strong interpretability , low computational cost | Difficulty handling complex nonlinear relationships | Small-scale data , simple descriptors | Basic property prediction , feature selection |
| Support vector machine (SVM) | Support vector regression (SVR) , support vector classification (SVC) | Mapping to high-dimensional space via kernel functions | Strong small-sample learning capability , good generalization | Parameter sensitivity , high training cost | Small to medium-scale data | Material property prediction |
| Decision trees and ensemble learning | Random forest , gradient boosting decision tree (GBDT) | Multi-tree ensemble and feature splitting | Strong anti-overfitting ability , good stability | Limited interpretability | Medium-scale data | Material property prediction , feature importance analysis |
| Neighborhood learning | K-nearest neighbors (KNN) | Instance learning based on sample similarity | Simple model , no training required | Sensitive to high-dimensional data | Small-scale data | Screening of similar materials |
| Artificial neural networks (ANN) | Multilayer perceptron | Multi-layer nonlinear mapping | Ability to fit complex nonlinear relationships | Requires substantial data | Medium-scale data | Material property prediction |
| Deep learning | Convolutional neural network (CNN) , deep neural network (DNN) , recurrent neural network (RNN) | Automatic feature extraction via multi-layer neural networks | Capable of processing high-dimensional complex data | High data demand , poor interpretability | Large-scale data | Structure-property relationship modeling |
| Generative models | Generative adversarial network (GAN) , variational autoencoder (VAE) | Latent space learning and adversarial generation | Capable of generating new material structures | Complex training , stability issues | Large data and high-dimensional design spaces | Generation of new material structures |
| Evolutionary optimization algorithms | Genetic algorithm (GA) | Natural selection and genetic mechanisms | Strong global search capability | Slow convergence | High-dimensional complex design spaces | Material composition optimization |
| Swarm intelligence algorithms | Particle swarm optimization (PSO) | Collaborative group search | Fast convergence , simple implementation | Prone to local optima | Parameter optimization problems | Search of material design space |
1.1 应对小样本高成本:主动学习范式与多尺度数据融合策略
高性能钛合金的实验验证周期漫长,导致可用于训练AI模型的高质量数据集规模有限。因此，面临典型的小样本困境。针对这一问题,AI+Ti发展出以主动学习(active learning,AL)为核心且深度融合多尺度计算模拟数据的综合策略，利用具备不确定性量化能力的代理模型如高斯过程(Gaussian process,GP)指导高价值实验。其基本原理为基于少量初始数据训练一个GP模型,在整个设计空间中计算每个未标注点的获取函数来权衡探索高不确定性区域与当前最优区域，从而智能推荐下一个最具信息价值的实验点并进行迭代实验。随后将新获得的实验数据结构化处理后回注至数据库中用于模型再训练，这一选择-标注-学习的循环模式能以最少的实验成本高效逼近全局最优解。此外，为了从根本上扩充数据源，AI+Ti积极践行多尺度数据融合策略。在数据收集环节中，数据来源形成一个从微观到宏观的完整谱系:以内部实验数据库提供的宏观性能与微观组织/结构表征为基础，同时利用计算模拟数据作为强大的虚拟补充，形成一个从微观到宏观的完整集合。这些多模态、多尺度的数据经过严格的预处理与特征工程后，共同构建信息密度远超传统实验的复合数据集，为AI模型提供有力支撑。
1.2 保障物理可解释性:物理信息增强范式下的机理驱动建模
单一数据驱动的AI模型虽然表现出较高的预测精度，但其固有的黑箱特性极易导致预测结果违背热力学定律、晶体学取向关系或相平衡等基本原理。这种不可解释性和潜在的物理不一致性严重阻碍AI在工程场景(如航空发动机)具有高可靠性要求的应用。为解决上述问题，AI+Ti将专业领域知识作为硬性或软性约束嵌入模型架构和训练过程中，利用物理信息增强研发范式确保预测结果在拥有高精度的同时具备坚实的物理根基与可解释性。该范式的核心是构建一种数据+物理的双驱动策略，全面重塑优化了从特征工程到模型选择再到训练优化的智能化过程。
在正向设计层面，即从给定的钛基材料成分/工艺预测组织性能，物理信息增强引导的特征工程使研究者不再局限于原始化学成分，即使是针对可解释性分析与机理挖掘也可辅以可解释AI工具进行后验分析。这不仅能验证模型决策是否符合已知的冶金规律，更能揭示传统方法难以发现的高维非线性关系，从而为新材料设计提供新的科学路径。逆向设计能够针对特定的目标性能反向求解最优成分/工艺，此时将物理信息增强耦合其中则可构建出一种更为严谨的代理模型。该模型在训练阶段通过在损失函数中引入物理残差项(如位错密度演化方程、相变动力学方程等)或热力学稳定性条件来确保其在整个输入空间内的预测都满足基本物理规律，避免在逆向搜索中进行无效探索，极大提升设计效率。
1.3 优化工艺路径序列决策:贝叶斯优化与强化学习范式
除凝固微观组织与结构外,钛合金的最终性能还由复杂的热机械处理(如多火次锻造、阶梯式热处理等)决定，这本质上是一个多阶段、序列化的决策优化问题。AI+Ti通过贝叶斯优化(Bayesian optimization,BO)与强化学习(reinforcement learning,RL)两种方式，为解决此类问题提供了方案。
贝叶斯优化在利用函数进行全局优化时展现出突出的数据高效性,成为优化复杂热处理工艺的首选方法。其核心在于构建一个概率代理模型(通常为GP),将多道次工艺参数(温度、时间、冷却速率等)设定为输入变量,将目标性能(如强韧性)设定为输出变量,不仅能预测性能,还可以通过获取函数探索与量化不确定性区域,以极少的实验迭代次数找到最优的工艺窗口，较为契合小样本、高成本的场景。
对于需要实时动态反馈的先进制造过程(如激光增材制造),强化学习范式则更为适用。RL将制造过程建模为马尔可夫决策过程，其中智能体依据熔池动态图像、热成像等实时信号，动态调整激光功率、扫描速率等参数，以最大化长期累积奖励(如构件致密度、无缺陷率等),通过与环境(即制造设备)的持续交互来学习最优控制策略。这实现了从静态开环工艺到动态闭环智能调控的根本转变,是AI驱动智能制造的最高体现。
AI+Ti核心方法论是以材料复杂性的深度解析与素化策略的智能构建为根本导向,将AI的通用原理内化于标准化工作流程之中,并外显为一系列目标明确、逻辑自洽的研发范式，使其统一成有机整体。通过这种深度融合,AI+Ti将升维为一场深刻理解并最终驾驭钛基材料的认知与范式变革。
2、设计变革:从相图导航到性能定制的逆向工程
2.1 高维相空间探索与性能边界预测
相稳定性是决定多元钛合金综合性能的关键基础,然而随着合金元素种类的增加,因热力学数据缺失或交互参数难以精确拟合,传统CALPHAD方法面临在高维成分空间中进行全局相图扫描的巨大挑战。与此同时，经验性的当量规则虽然简洁，但其线性加权形式难以捕捉元素间高阶非线性交互效应，尤其在成分边界区域极易失效。
图神经网络(graph neural network,GNN)是一种能够处理图结构数据的AI模型,通过将合金体系建模为复杂的关联系统而非简单的组元叠加，不仅摆脱了CALPHAD方法中热力学交互参数缺失的限制，而且利用神经网络的非线性万能逼近特性，弥补了当量规则无法描述复杂化学环境效应的缺陷。在数据收集过程中研究者可构建一个包含数万乃至数十万虚拟合金的数据集，其中每个合金的原子结构被编码为一个图(节点代表原子，边代表原子间相互作用) [15],其标签来自第一性原理计算的形成能、混合能或能量差。通过在该数据集上训练GNN模型，能够直接从原子尺度的几何与电子结构特征中学习并泛化出复杂的相稳定性判据。相较于经验规则，GNN模型不仅能更准确地预测任意多元成分下的相组成，更能揭示隐藏在数据背后、超越线性叠加的物理机制。Schmidt等的研究工作为此提供了应用案例，通过大规模DFT计算构建包含近10亿种无机化合物(涵盖大量钛基体系)的虚拟材料库,并利用晶体图注意力网络进行训练。该GNN直接将未弛豫的晶体结构编码为原子图,以DFT计算的形成能为标签,成功实现对任意多元成分下热力学稳定性的高精度预测(图1)。不仅如此,在通过补充计算平衡化学元素与结构分布后，该模型展现出前所未有的泛化能力，在训练稀疏数据时亦可精准预测相稳定性，有效解决传统方法高维数据稀疏性导致的性能衰退问题。
AI模型可有效探测性能衰减的临界阈值，即在成分或工艺参数的连续微小变化下，材料宏观性能发生突发性、不连续的骤降。这类现象通常源于微观组织的突变,例如 ω相的脆性析出或晶界 α相的连续网状分布。传统实验或模拟方法因其离散采样特性，极易遗漏这些狭窄但对性能具有显著影响的临界区域，而训练良好的AI代理模型(如极端梯度提升(extreme gradient boosting,XGBoost)或物理信息神经网络(physics-informed neural networks,PINN))可以在整个高维设计空间内进行连续、高效地虚拟扫描，通过分析模型输出的梯度或不确定性，自动识别对性能变化极度敏感的参数区域，即性能临界阈值的边界。本研究团队利用这一优势，构建了基于XGBoost的代理模型并耦合遗传算法，在Ti-V-Cr-Al-Mo-Nb-Si-C八元空间中进行高通量逆向设计。该模型不仅成功筛选出抗氧化性提升42%的最优成分(TF600)，而且更重要的是通过分析模型决策边界与SHAP值，主动规避可能导致室温脆性的临界成分区域。这说明AI代理模型能在整个高维空间内进行连续、高效地虚拟扫描，其高预测精度(决定系数R²=0.98)确保对敏感区域的可靠识别。
AI并非要完全取代CALPHAD或经验规则，而是与之形成一种协同增强的关系。Chai等将d电子理论中的Bo/Md等经验参数作为关键输入特征，并将β相稳定区作为遗传算法搜索的硬性约束，体现了经验规则对AI搜索方向的有效引导。在这种融合范式下，CALPHAD和DFT为AI提供物理根基，经验规则提供工程先验，而AI赋予研究人员在前所未有的高维空间中安全、高效航行的能力，真正实现从被动遵循相图规律到主动驾驭复杂性能空间的根本转变 [7]。
2.2 分子原子尺度智能引擎:高精度模拟的基石与多体系拓展
钛合金分子动力学(molecular dynamics,MD)计算技术已得到广泛应用 [19],但传统经验的原子间势在描述其复杂的多相行为、成分敏感性及缺陷响应等方面存在明显不足，严重制约原子尺度模拟的预测能力与适用范围。机器学习原子间势(machine learning interatomic potentials, MLIPs)的出现提供了突破性路径 [20−22]。MLIPs通过从高精度量子力学计算(如DFT)生成的大规模数据集中学习原子间相互作用，能够在接近DFT精度的同时实现数个数量级的计算加速，从而支撑大规模、长时间、多组分的MD模拟 [23],为钛基材料性能定制化设计奠定分子级模拟基础。当前钛合金MLIPs的研究已系统覆盖多个关键合金体系，在多相与多组分体系方面，Allen等 [24]构建包含纯Ti及Ti-6Al-4V合金的α相、β相和液相乃至α″相的综合DFT数据集，提供总能量、力、应力等关键物理量，为开发统一描述多相行为的MLIPs奠定基础(图2)。
在钛铝系金属间化合物这类高温关键结构材料体系中，MLIPs的应用已由基础晶格性质预测进一步深入复杂缺陷动力学与相变过程的模拟。针对钛铝合金塑性变形与失效机制,Qi等 [25]利用矩张量势(moment tensor potential,MTP)成功构建能够精确描述L1₀-TiAl相与D0₁₉-Ti₃Al相的原子间势函数。该模型不仅能够准确复现材料的基本弹性性质，还能够在原子尺度上刻画位错核心结构、位错滑移路径以及裂纹尖端的断裂行为，从而揭示传统经验势难以捕捉的复杂键合方向对力学响应的影响，为理解钛铝合金室温脆性及高温蠕变机制提供重要的理论依据。
在凝固与相变动力学研究方面，Zhai等 [26]基于深度神经网络开发的液态钛铝二元合金专用势函数，实现对液相结构及成核过程的高精度模拟。该势函数有效克服传统经验势在描述液态无序结构及固液界面转变过程中的精度瓶颈，可以准确预测不同过冷度条件下的成核速率与临界晶核尺寸，为优化钛铝合金增材制造过程的凝固组织调控及晶粒细化提供关键模拟工具。
针对面向更复杂的工程应用，通过对三元Ti-Al-Nb体系的系统比较研究表明，无论是矩张量势还是深度学习势函数，均能够在较大成分空间内保持良好的预测精度，其训练数据集不仅涵盖块体金属和金属间化合物结构，而且进一步扩展至板状构型、非晶结构以及多种缺陷构型，从而显著提升模型对复杂原子环境的描述能力。Chandran等 [27]通过系统评估不同模型架构在描述三元固溶体、金属间化合物及缺陷形成能方面的表现，证实MLIPs在多组元钛铝基高温合金体系中的良好泛化能力。在此基础上，进一步比较被动学习与主动学习策略在势函数训练中的效果，结果表明主动学习能够通过迭代筛选高信息量构型，显著提升势函数在未知构型区域的预测能力，同时减少训练数据规模并提高数据利用效率 [28]。上述研究表明，结合高精度深度学习势函数与主动学习策略，MLIPs已能够在复杂多组元体系中实现稳定可靠的性能预测，为探索兼具高强度、高韧性与优异抗氧化性能的新型Ti-Al-Nb高温合金提供重要的原子尺度模拟工具,并为高温结构材料的计算驱动设计奠定基础。
除结构材料体系外，MLIPs在其他功能型钛合金中同样展现出广阔的应用前景。在生物医用领域,低模量Ti-Nb-Zr合金因动态不稳定性而备受关注，MLIPs已被用于模拟其有限温度下的弹性性能，为合金化与热处理调控提供依据 [29]。在耐蚀与高温应用方面,Li等 [30]提出普适性深度学习势函数研究Ti-Pt合金的多尺度结构与热力学行为。面向新一代高熵合金，MLIPs显著加速对其弹性性能、力学性能及位错滑移行为的模拟 [31]，未来还将结合实验探索短时氧化等复杂过程 [32]。
在微观性能预测能力方面，MLIPs显著突破传统实验与模拟的边界。Shen等 [33]基于矩张量势构建钛合金MLIPs,通过MD模拟分析预裂纹在特定晶面上的扩展机制，为理解断裂行为提供原子级认知。在腐蚀领域，相场模型已成功模拟溶解驱动的应力腐蚀开裂，为未来耦合MLIPs开展分子尺度验证铺平道路。在热输运方面，Qanbarian等 [34]利用ML-MD揭示锥形纳米结构对热传导效率的增强效应,表明MLIPs在热力学性质模拟中潜力巨大。Cho等 [35]结合MLIPs与MD方法，精确刻画金属界面黏附特性，为微纳器件可靠性设计提供关键支撑。
在模型架构与训练方法方面，高斯近似势(Gaussian approximation potential,GAP)、深度势(deep potential,DP)和矩张量势已成为主流。GAP凭借对复杂势能面(包括磁性)的良好表达能力被广泛采用，其数据库包含约15万个局部原子环境;Wen等 [36]通过专用神经网络结构提升DP在钛合金力学响应预测中的准确性;MTP在捕捉Ti-Al合金复杂相行为中表现突出。训练策略方面，人工神经网络势(artificial neural network potential,NNP)已用于预测Ti-Al系相图，弥补传统势函数的精度缺陷 [37];GNN通过消息传递机制自动学习最优原子环境特征，摆脱手工描述符依赖;AL通过量化模型不确定性智能筛选训练构型，大幅提升数据效率，已成功应用于钛合金MLIPs开发 [38]。此外，Lin等 [39]提出面向脆性材料延伸缺陷的专用训练策略，也为钛合金MLIPs优化提供新思路。
2.3 微观组织工程的逆向设计:从性能目标到组织蓝图
由于钛基材料的宏观性能与其复杂的微观结构之间存在高度非线性的复杂映射关系 [40],人工智能在钛基材料微观组织性能优化方面的图像应用已成为材料科学领域一个充满活力的研究热点。随着显微镜技术和深度学习技术的飞速发展，基于图像分析的人工智能方法为加速钛基材料微观结构表征、性能预测和优化设计开辟新途径 [41]。研究表明，利用生成式AI与计算机视觉技术，不仅可以实现组织形貌的自动量化表征，而且能在增材制造等复杂工艺中发现传统方法难以触及的全新工艺窗口,最终实现材料从宏观性能目标到理想微观组织的智能化逆向设计与精确预测 [42−44]。
深度学习模型是一类基于多层人工神经网络(尤其是卷积神经网络(convolutional neural network,CNN))的机器学习方法,能够直接从原始显微图像中自动学习并精准捕捉晶粒、相界、片层等复杂微观特征，无需预设阈值或形态学规则 [45]。Pan等 [46]针对选择性激光熔化(selective laser melting,SLM)成形Ti-6Al-4V合金的缺陷检测难题，构建了一个基于深度卷积神经网络(deep convolutional neural network,DCNN)的语义分割模型。他们首先指出传统Otsu、Kittler等阈值分割方法因主观性强而难以区分孔隙与未熔合缺陷的局限性。通过训练DCNN模型，该工作成功实现对这两种关键缺陷的自动、高精度分割,并以此为基础建立缺陷特征与疲劳寿命的定量关系，为增材制造构件的可靠性评估提供客观依据。Fotos等 [47]采用通用金相图像的晶粒分割，挑战传统分水岭算法因图像噪声和强度不均导致的过分割问题，提出一种将深度学习自动提取能力与经典算法相结合的创新边界类语义分割增强型分水岭算法，显著提升晶粒分割的准确性和鲁棒性。
深度学习在图像分割和分类任务上表现卓越，为微观组织的自动化、高通量定量分析提供方法。Liu等 [48]通过融合高通量实验与机器学习，揭示TC18钛合金热加工过程对微观组织的影响(图3)。利用双锥试样结合大区域拼接(large area mapping,LAM)技术，一次性获得涵盖梯度应变和不同热处理条件的海量微观组织数据(共5720张扫描电子显微镜(scanning electron microscope,SEM)图像)。随后通过ImageJ软件批量提取α相含量和球化率等特征，并采用PSO-KNN算法构建热加工参数(变形温度、应变和固溶温度)与微观组织演变之间的高精度预测模型。这项工作展示了如何利用AI处理高通量实验产生的大数据，实现对复杂热-力耦合过程中组织演变的高效和客观量化。
除了基于图像特征直接进行组织识别与预测外，近年来研究人员开始将统计学微观结构表征方法与机器学习模型相结合，以建立更加具有物理意义的结构-性能关联模型。Hao等 [49]提出一种微观结构信息驱动的机器学习框架，用于预测SiC/Ti钛基复合材料极限抗拉强度。首先通过有限元模拟生成大量具有随机微观结构特征的代表性体元数据,利用两点相关函数对微观结构进行统计量化表征，再通过主成分分析实现降维处理，最终采用支持向量回归模型建立微观结构特征与宏观力学性能之间的映射关系。结果表明，该模型在极限抗拉强度预测中具有较高精度，大部分预测结果误差控制在±1%范围内，并能够识别纤维体积分数和空间分布等关键微观结构参数对性能的主导作用，从而为建立可靠的"微观结构-性能"关联关系提供新的数据驱动路径。
上述研究为微观组织逆向设计奠定重要基础，其中生成式模型在实现从性能目标到组织结构设计的过程中发挥着关键作用。Zhu等 [50]以T55511钛合金为研究对象，开创性地应用去噪扩散概率模型(denoising diffusion probabilistic models, DDPM)实现微观组织的逆向生成与预测(图4)。DDPM模型以热处理参数为条件训练生成高保真度的微观组织图像。尤为关键的是，该研究引入一套严格的定量评价体系,利用MIPAR软件对生成图像和真实图像进行语义分割,对比初生 α相 (α p )和次生α相(aₛ)的体积分数、主/次轴长度等关键参数。结果表明，模型生成的组织在定量指标上与真实样本高度吻合,这为以特定性能目标而设计理想微观组织的逆向范式提供迄今为止最坚实的实证,标志着材料设计从试错迈向按需定制的重要一步。
2.4 多目标协同优化设计:从性能权衡到性能协同的智能寻优
高性能钛基材料的工程应用往往要求其在强度、塑性、疲劳、蠕变、弹性模量、生物相容性、成本等多个维度上达到最优平衡。然而，这些性能指标之间通常存在内在矛盾与制约关系(如强度-塑性的倒置关系和低模量与高强度的冲突),使得传统单目标优化或经验试错法难以奏效。人工智能驱动的多目标优化提供了有效的解决方案。通过在高维成分-工艺空间中系统性地探索帕累托最优(Pareto optimality),AI不仅能够揭示不同性能间的权衡关系,而且能发现实现多性能协同提升的最优参数空间，为工程选材提供定量化设计图谱。
Chen等 [51]针对生物医用 β钛合金的设计需求，巧妙地融合高通量实验与机器学习，实现多目标协同优化的典范(图5)。首先基于扩散偶技术，通过纳米压痕和电子探针微区分析对Ti-Nb-Zr-(Cr,Hf,Mo,Sn,Ta)体系进行高通量力学与互扩散性能表征，获得包含1290组数据的可靠数据库。随后利用高斯过程回归(Gaussian process regression, GPR)算法构建杨氏模量、硬度和热加工能力 3个关键性能的高精度预测模型。在此基础上,研究人员设计一个交互式筛选循环:首先筛选出杨氏模量低于63GPa的合金，再从中选出硬度高于3.2GPa的合金，最后保留热加工能力参数优于TC4合金的候选者。通过这一多目标、分步优化的策略，成功地在广阔的四元成分空间中精准定位目标合金Ti-(22±0.5)%Nb-(30±0.5)%Zr-(4±0.5)%Cr(原子分数)。经实验验证，该合金展现出优异的综合性能:杨氏模量低至(58±4)GPa,纳米硬度高达(3.4±0.2)GPa,显微硬度高达(520±5)HV,压缩屈服强度高达(1220±18)MPa,且塑性应变超过30%。这一工作不仅成功解决生物医用材料中强-韧-低模量的固有矛盾，而且展示出高通量数据+多目标ML模型+交互式筛选这一集成范式在复杂多目标协同优化中的巨大潜力。
在方法体系层面，研究人员也在不断探索更加通用的多目标设计框架。An等构建一个涵盖18种合金元素和热处理工艺参数的智能搜索空间，并建立包含397个样本的综合性数据集。通过系统评估6种经典机器学习算法(包括支持向量机、高斯过程、神经网络、分类与回归树、提升树和随机森林)，并通过超参数优化，最终获得验证集和测试集分别达到0.95和0.93的高精度预测模型。该高精度、多输入(成分+热处理)-多输出(如强度、塑性等)的代理模型，为后续在高维空间中进行多目标逆向设计提供可靠的基础。
在此基础上，研究人员进一步将可解释机器学习与多目标优化算法相结合，以提升模型在材料设计中的指导能力。Padhy等提出一种基于可解释机器学习的钛铝合金集成设计框架，通过系统整合文献数据构建包含约1937条数据的钛铝合金数据库，并建立多性能回归模型预测屈服强度、抗拉强度、断后伸长率等关键力学性能。利用SHAP方法对模型进行可解释性分析，定量揭示不同合金元素对性能的贡献规律，并进一步结合多性能贝叶斯优化策略，在给定成分空间内实现多目标协同优化。通过实验合成与性能测试验证了机器学习预测合金的优异力学性能，结果表明"可解释机器学习+多目标优化"的集成设计范式能够有效提升复杂合金体系的设计效率，为钛铝基高温结构材料的智能设计提供新思路。
除传统机器学习模型外，AI在材料设计中的应用正逐渐向更高层次的知识驱动模式发展。Wang等提出基于大语言模型(large language models,LLMs)框架,利用其强大的自然语言理解和知识推理能力,从海量科学文献中自动挖掘"成分-工艺-组织-性能"之间的隐性关联规则,并将这些知识与数值化的机器学习模型相结合(图6)。例如,在进行多目标优化时,LLMs可以自动检索并整合特定元素组合对蠕变抗力影响的最新研究成果，或某类热处理制度对疲劳裂纹萌生抑制作用的经验法则，并将这些定性知识转化为优化算法的约束条件或启发式规则。这种数据驱动+计算驱动的双轮驱动模式，有望在解决更为复杂、涉及长周期服役性能(如蠕变和疲劳)的多目标协同优化问题时，提供超越纯数据驱动方法的洞察力和可靠性，从而在高维设计空间中更智能、更高效地导航至性能协同的最优区域。
3、制造升级:从参数窗口到自适应控制闭环
对于高性能钛基材料而言，无论是增材制造中的快速熔凝，还是热机械处理中的复杂变形路径，其制造过程均呈现出高度的非线性、瞬态性和多物理场强耦合特征。传统制造范式严重依赖于经验总结出的安全参数窗口，即在特定设备和材料条件下，通过大量试错确定一组能避免宏观缺陷的工艺参数范围。这种方法虽具一定实用性，但本质上是被动、静态且缺乏普适性的，难以应对材料批次波动、设备状态不稳定等现实挑战，更无法实现对微观组织演化的主动、精准调控。
AI的深度融入正驱动钛基材料高性能制造范式发生根本性改变，其核心是从依赖经验的参数窗口迈向数据与模型驱动的自适应控制闭环。在这一范式下，制造过程被视为可感知、可诊断、可决策、可执行的动态系统。通过部署多源传感器网络对制造过程进行全息感知,利用深度学习等AI模型对海量异构数据进行实时解析与状态诊断,并基于强化学习等先进算法生成最优控制指令，最终形成感知-分析-决策-执行的毫秒级闭环反馈。这种智能化的制造体系，不仅能有效抑制气孔、裂纹等宏观缺陷，而且能主动引导晶粒形核与生长、相变动力学等微观过程，实现按需定制的组织与性能。
3.1 增材制造的实时感知与决策智能
增材制造钛合金与机器学习的结合已成为材料科学与先进制造领域的前沿交叉方向，其核心目标是通过数据驱动的方法解决传统试错法研发周期长、成本高、可重复性差等瓶颈问题。图7为机器学习在增材制造钛合金的全流程示意图 56当前研究表明，该融合技术已在工艺参数优化、微观结构预测、力学性能建模、缺陷识别与控制等多个维度取得显著进展，并展现出从被动分析向主动智能设计演变的趋势。
在增材制造过程中，工艺参数是影响材料质量和性能的首要因素，因此机器学习模型被广泛应用于建立激光功率、扫描速率、层厚等输入参数与致密度、表面粗糙度、残余应力等输出质量指标之间的非线性映射关系，实现对制造过程的快速预测与优化。例如,Maitra等 [57]采用GPR模型预测激光粉末床熔融(laser powder bed fusion,LPBF)制备Ti-6Al-4V合金的相对密度。该GPR模型的输入为激光功率、扫描速率、层厚、扫描间距和体能量密度这5个工艺参数，输出为相对密度。通过使用文献中收集的2900个数据点训练GPR模型，根据输入工艺参数准确预测LPBF制备Ti-6Al-4V合金的相对密度(平均绝对误差为1.12%)。Lee等以LPBF制备的TC4合金为研究对象，提出一种基于帕累托主动学习(ParetoAL)的框架,并结合针对性实验验证，高效地探索了包含296个候选参数的庞大参数空间，从而精准地确定能够同时提升强度和延展性的最佳参数。与以往研究相比，采用这些优化参数制备的TC4合金在相似的强度水平下表现出更高延展性,在相似的延展性水平下表现出更高强度。该框架通过在不显著降低一种性能的情况下提升另一种性能,展现了克服强度和延展性之间固有权衡关系的有效性。
除工艺参数优化外，机器学习在增材制造过程物理场的快速预测与实时控制方面也展现出重要潜力。温度场是决定熔池形貌、凝固组织及残余应力分布的关键因素，传统有限元模拟虽然具有较高精度，却往往存在计算成本高、难以满足实时预测需求的难题。针对这一问题,Pan等 [59]提出一种结合有限元模拟与深度学习的混合建模框架，通过构建一维卷积神经网络模型，实现对钛铝合金双线等离子弧增材制造过程中二维温度场分布的快速预测。该方法利用实验红外测温数据与有限元模拟结果构建训练集，并通过提取沉积路径的一维温度特征实现二维温度场重构。结果表明，该模型预测的温度均方误差约为0.5,峰值温度误差小于20℃,相对误差低于1%，整体预测精度超过99%。同时，通过引入迁移学习策略，模型训练效率提高约25%。与传统有限元方法相比，该模型在保持接近物理模拟精度的同时，可将计算时间由分钟级缩短至秒级，为增材制造过程的在线预测与智能控制提供新的技术路径。
在掌握制造过程参数及物理场演化规律的基础上，研究重点进一步拓展至材料微观组织及其力学性能的预测，相关研究已从早期的单一属性预测发展到构建"成分-工艺-组织-性能"四位一体的综合性模型。Sun等 [60]提出一种物理信息机器学习方法，将内在物理属性和相变动力学融入模型中，仅用496个样本即实现对亚稳态β型钛合金抗拉强度(R²=0.95)和断后伸长率(R²=0.90)的精准预测，解决了传统机器学习外推能力不足的问题。Whitney等 [61]进一步提出一个物理增强的机器学习代理模型，用于预测LPBF制备的Ti-6Al-4V合金部件尺度的微观结构演变，成功克服跨时空尺度集成和实验验证的挑战。此类模型不仅能够预测最终性能，而且能揭示不同工艺条件下晶粒形貌、织构和相组成的演化规律，为理解各向异性等关键问题提供新视角。
除材料组织与性能预测外,制造缺陷及其对服役性能的影响也是增材制造钛合金研究的重要问题,监督式机器学习方法在这方面展现出图像识别和模式分类的优势。Balamurugan等 [62]提出一种创新方法,结合基于表面粗糙度和内部缺陷参数的分类模型与概率物理引导神经网络(probabilistic physics-guided neural network,PPgNN)2.0,预测LPBF制备Ti-6Al-4V零件的疲劳寿命，有效弥合宏观失效与微观缺陷之间的鸿沟。Zhu等 [63]采用多算法集成的Auto_Gluon方法预测航空发动机用TC17钛合金高周疲劳寿命，其预测性能优于常用的随机森林和支持向量回归模型，显示出集成学习在处理复杂疲劳数据方面的优势。
3.2 热机械处理的全局路径优化
传统工艺设计常将锻造、轧制与多级热处理割裂优化，难以实现全局性能协同提升。新范式主张将复杂的热机械处理路径，包括变形温度、应变速率、退火及最终时效参数视为一个高维、连续的决策序列,并借助先进人工智能方法进行端到端的全局寻优。Li等 [64]构建一个自适应的机器学习-遗传算法(genetic algorithm,GA)-有限元法(finite element method,FEM)框架(图8(a))。该框架并非孤立地优化单一参数，而是通过多层感知机(multilayer perceptron,MLP)将 Johnson-Cook(JC)本构模型的关键参数(A、B、n、C、D₁~D₄)与材料的宏观力学性能(如抗拉强度、冲击功等)进行映射,并嵌入GA的优化循环中。FEM仿真作为物理验证器，对每一代候选参数集进行正向模拟，其结果又反馈用于修正MLP预测，该过程实现从目标性能到完整本构参数的逆向全局优化。
Zhang等 [65]展示如何利用机器学习模型指导热加工窗口的全局选择(图8(b))。一方面，构建基于麻雀搜索算法优化的反向传播(sparrow search algorithm-back propagation,SSA-BP)神经网络代理模型，实现流变应力的可靠预测;另一方面，依托于该模型进一步绘制三维热加工图。该图谱能够综合呈现材料在不同温度与应变速率组合下的能量耗散效率η及流变失稳判据ξ，进而在全局范围内快速识别适用于动态再结晶的理想工艺窗口。
Hu等 [66]指出传统的 Arrhenius型唯象模型因依赖线性回归，在捕捉热变形过程中动态回复与动态再结晶之间复杂的非线性竞争关系时存在局限。相比之下，提出的机器学习-辅助(machine learning-assisted,M-A)模型能更准确地复现流变曲线中的多阶段硬化/软化特征(图8(c))。这一能力对精确模拟和优化包含多次变形与中间保温的完整热机械路径至关重要，因为每一道次后的组织状态(如位错密度和再结晶分数)都将作为初始条件影响后续变形行为。因此，高保真度的机器学习代理模型构成了实现端到端全局路径优化不可或缺的数字基石。
上述研究表明，通过将机器学习代理模型与智能优化算法及物理仿真深度耦合，能够有效突破传统分步优化的局限，实现对钛合金热机械处理全路径的协同、全局寻优，为获得兼具高强度、高塑性与优异服役可靠性的先进钛合金构件开辟新途径。
3.3 防护涂层的高维设计空间智能导航
涂层设计的核心是构建物理阻隔与化学调控双重防护体系，通常为突破服役极限与提升服役安全性需满足3类物性要求:一是为有效阻挡氧原子向基体扩散需保持低氧渗透压;二是为避免在高温循环下膜层剥落需拥有与基体匹配良好的热膨胀系数;三是具备在目标服役温度下不发生相变、不与基体发生有害反应的高温稳定性。此外，复杂工况条件对钛合金的涂层设计提出严苛要求，传统的材料设计难以同步实现多种服役性能的匹配。近年来，基于数据的人工智能方法能够在大量实验和计算结果中学习，为多功能复杂涂层设计及优化提供可能 [67]。一方面，通过训练模型预测涂层的抗氧化性、硬度、耐磨性，能够显著减少传统试错法的时间和成本;另一方面,数据驱动的反向设计策略利用AI技术缩小搜索空间，直接从数据中定位最优材料配比、宏微观结构和制造工艺 [68]。
Chen等 [69]研究激光熔覆工艺参数对于钛合金表面TiC陶瓷涂层质量的影响规律，通过多道熔覆正交实验获得涂层厚度、宽度、高度差等几何特性(图9(a))及其力学性能，以支持向量机建立涂层熔覆质量特性的预测模型，准确描述熔覆工艺参数和涂层质量的关系，指导表面熔覆涂层的工艺设计。Lin等 [70]探究Ti-6Al-4V合金表面光刻工艺对于表面氧化层结构的影响(图9(b)),通过构建支持向量机模型，同步优化曝光时间、烘烤温度等参数，提升航空级钛合金表面微结构的保真度。Singh等 [71]通过调整升级网络层的大小优化模型性能，探究等离子体喷涂涂层材料的抗侵蚀性能，研究发现20个神经元在准确性和计算效率间达到平衡，机器学习回归方法在材料性能预测中表现优异。
Kumaran等 [74]在对电火花涂层表面改性工艺的研究中，采用方差分析和响应面形态对观察到的数据进行分析和优化,分别使用人工神经网络和自适应神经模糊推理系统两种工具进行预测,回归系数分别达到0.9799和0.9912。Lim等合金定向能量沉积过程，以沉积表面颜色作为输入，构建包含截面形貌、硬度、微观形貌等信息的数据库并对比不同模型预测的准确率，研究发现随机森林模型预测的准确率最高。上述研究表明，AI技术可以通过分析涂层制备工艺参数对结构和功能的影响，优化涂层设计，并通过优化算法和参数据库并对比不同模型预测的准确率，研究发现随机森林模型预测的准确率最高。上述研究表明，出结合有限元建模和机器学习的涂层参数优化策略，可大幅度地降低达成精确预测所需的数据量，有效的建模获取参数能够显著地扩充机器学习的数据集。Kolesnikov等 [72]则通过自适应采样算法和ANSYS仿真软件对不同成分和厚度的涂层进行压痕模拟，构建训练数据集，采用机器学习近似模型(图9(c))在预测涂层的硬度方面表现出较高的准确性(R²=0.96)。然而在已报道的文献中多次提到,基于数据驱动的涂层结构设计和性能预测中存在预测值和实验偏差的问题，模型的鲁棒性和可解释性也有待进一步提升 [67]。基于此,研究人员们通过模型架构的优化、数据增强、迁移学习等方法减少不确定性。例如,Hao等 [73]构建出7种针对涂层抗氧化性和抗烧蚀性的机器学习预测模型,并结合SHAP可解释性方法对随机森林模型进行分析(图9(d)),揭示各类输入特征对烧蚀特性的影响机制。
4、评价与服役:从离线检测到在线预测与数字孪生
在航空航天等高安全需求领域，钛基材料构件的服役可靠性与寿命周期控制，直接关系装备的性能表现与操作人员的安全性。传统的评估与运维保障系统大多依赖于离线、静态、破坏性或半破坏性的检测手段，这种方法不仅成本高昂、周期漫长，而且难以反映单个构件在其独特制造过程和服役环境下的真实状态，本质上是一种事后响应的被动管理模式。AI的深度融入引领评价与服役体系开辟新道路，其核心是从离线抽检迈向在线预测与个体化数字孪生，实现对钛基材料寿命与可靠性的主动、精准的动态管理。
4.1 基于初始状态的性能与寿命智能初筛
构件的服役寿命与出厂时的基因(成分、微观组织及内部缺陷状态)密切相关。传统上，对构件疲劳寿命、蠕变行为等关键服役性能的评估主要依赖耗时、昂贵且具有破坏性的物理实验，如标准试样的高/低周疲劳测试和高温蠕变实验。这类方法不仅无法覆盖全批次产品，而且难以反映增材制造工艺波动、热处理差异和微观组织异质性导致的个体性能差异。
随着AI技术(特别是深度学习和可解释机器学习)的发展,研究人员可直接以材料出厂时的非破坏性初始信息作为输入，构建端到端的智能初筛模型,预测其宏观力学性能与统计寿命分布。这种初筛范式具有显著优势，仅采集初始状态数据即可完成性能预测，避免大量物理实验;同时，对每一构件皆可建立专属性能档案并进行个体化评估，突破传统批次稳定性的局限，及时发现潜在弱件，从而提升系统整体可靠性。Zhao等 [76]将显微组织图像本身作为AI模型的直接输入，采用晶体塑性有限元法(crystal plasticity finite element method,CPFEM)构建包含不同晶粒尺寸分布、α/β片层结构及椭圆缺陷的代表性体积单元(representative volume element,RVE)模型，通过疲劳指示参数生成扩充的疲劳寿命数据集，并在此基础上对比多种机器学习算法(ANN、SVR、分解疲劳抗力(resolved fatigue resistance,RFR))与CNN的性能(图10(a))。结果表明，CNN模型凭借其卓越的空间特征提取能力,可从RVE的二维图像中自动识别并定量表征晶粒形貌、片层分布及几何缺陷等多尺度微观结构特征，并有效建立上述特征与疲劳寿命之间复杂的非线性映射关系。与传统回归模型相比，该模型在预测精度方面表现出明显优势。这项工作极具开创性，证明了无需人工设计复杂的微观特征参数，仅凭一张初始显微组织照片，AI即可完成对构件疲劳性能端到端的智能初筛。这不仅极大地简化评价流程,而且将微观结构视角真正融入寿命预测的数字化核心,为实现基于真实微观组织的个体化、高保真寿命评估铺平道路。
对于增材制造构件而言,内部孔隙等工艺缺陷往往扮演着比基体微观组织更重要的角色。Dang等将工业计算机断层扫描(computed tomography,CT)作为获取构件出厂基因的关键手段，设计出一个三步渐进式预测模型(图10(b))。首先,利用岭分类(ridge classification,RC)算法从CT检测到的所有孔隙中精准识别出最危险的临界孔隙;随后，基于该临界孔隙的特征预测疲劳断口上是否会出现细晶区(fine-grained area,FGA),这
是决定构建模型是否具有超高周疲劳寿命的关键;最后，综合判断应力水平、临界孔隙的尺寸/位置/形状、FGA存在与否等信息并通过核岭回归(kernel ridge regression,KRR)模型对最终疲劳寿命进行高精度预测。该框架在激光定向能量沉积(laser-based directed energy deposition,L-DED)制备的Ti-6Al-4V合金上取得了卓越成效，预测结果与实验值的相关系数高达0.951。这项研究工作首次实现从三维无损检测的孔隙地图到个体化疲劳寿命预报的完整链条，为增材制造钛合金构件在航空航天等高安全领域应用前期的快速、可靠、非破坏性寿命认证提供直接的技术路径，是基于初始状态的智能初筛理念在增材制造场景的实现。
在航空发动机等核心部件设计过程中，超高周疲劳和高温蠕变寿命作为关键性能指标，实验周期极为漫长、经济成本昂贵，致使高质量有效数据严重匮乏，显著制约AI模型的训练效果与泛化能力。为破解这一小样本困局，Li等 [78]提出一套数据增强与智能优化的解决方案。首先利用高斯混合模型(Gaussian mixture model,GMM)对稀疏的原始超高周疲劳数据集进行扩展，在保留原始数据分布特征的前提下有效扩充训练样本(图10(c)、(d))。随后构建改进的PSO-BP神经网络模型,通过PSO算法对BP网络的权重和阈值进行全局寻优,并引入动态惯性权重和自适应变异算子以避免陷入局部最优。该模型以弹性模量、屈服强度、抗拉强度、试样尺寸和应力幅值5个关键初始状态参数作为输入，成功实现对多种钛合金(如TC4、TC11、IMI834合金等)超高周疲劳寿命的高精度预测。在充分扩增的数据集中，该模型决定系数达到89.9%,预测波动低至0.0494,其精度和稳定性均显著优于传统的BP神经网络模型和随机森林模型。
需要指出的是，基于统计模型的数据生成方法在缓解小样本问题方面具有重要价值，但其本质仍属于数据驱动的虚拟样本扩展机制。若缺乏与材料物理机理和本构模型的交叉验证，生成数据在极端应力或复杂服役环境下的可靠性仍存在一定不确定性，可能难以充分反映小概率失效等关键工程风险。因此在工程应用中，数据增强策略通常需要与物理约束模型或实验验证相结合，以提升预测结果在真实服役条件下的工程可信度。
4.2 数据-物理融合的损伤演化建模
在钛合金构件投入服役后,其内裂纹萌生与扩展、位错增殖和相变)将在复杂载荷谱作用下持续演化。传统的单一物理模型方法虽然有明确的力学机制基础,但往往因参数识别困难而导致精度不足;而完全依赖数据驱动的方法虽然具备较强的拟合能力，却由于缺乏物理约束，难以在未知工况下实现可靠外推预测。在此背景下，数据-物理融合策略逐渐成为实现高精度、实时损伤识别与寿命预测的关键技术路径。
该方法的核心在于将坚实的物理先验知识作为模型骨架，以确保其预测结果符合基本的物理规律;同时,利用数据驱动的灵活性作为内容,对传统物理模型难以精确描述的复杂行为和不确定性进行补充建模，从而在物理一致性与预测能力之间实现有效平衡。近年来，这一融合范式已在多种工程应用场景中展现出良好的应用潜力。
Guo等 [79]针对深海潜水器钛合金压力壳的蠕变-疲劳耦合损伤问题，提出一种典型的连续损伤力学-先验信息引导的BP神经网络(continuum damage mechanics-informed BP neural network,CDM-iNN)模型。该工作首先基于CDM理论，建立一个能准确描述室温下蠕变损伤与疲劳损伤相互促进效应的物理模型，并通过有限元方法生成包含1000个样本的高保真数据库。随后，以操作压力、驻留时间、轴向与周向应力等作为输入，以失效循环数与实际运行时间作为输出，训练BP神经网络建立快速预测模型。结果表明，该CDM-iNN模型不仅预测精度极高(测试集R²>0.9998),而且预测时间(约3ms)相较于传统有限元计算(约50~60min)提升4个数量级。这项工作诠释了如何利用物理模型生成可靠训练数据并指导网络结构设计，再利用数据驱动模型实现物理模型的高效代理，从而实现复杂损伤演化过程的快速预测。
Song等 [80]在钛合金螺纹滚压成形研究中,展示了多尺度物理模型与机器学习的深度融合。构建一个耦合宏观变形与微观损伤演化的多尺度模型，并利用机器学习算法来高效求解该复杂模型。虽然其应用场景为制造过程，但利用AI加速和增强多尺度物理损伤模型的求解与预测能力的方法，对服役阶段损伤演化的预测和分析具有重要参考价值。
尽管物理-数据融合模型为突破纯数据驱动方法的外推能力提供重要途径，但在面向实际工程应用的极端环境构件或高温钛基材料设计问题时，仍面临一系列挑战。首先，在多尺度、多场耦合的复杂力学问题中，模型往往需要同时满足力学守恒、热力学一致性、本构关系等多重物理约束，使训练过程演化为高度非凸的多约束优化问题,易出现梯度不稳定、收敛困难等问题;其次，在冲击载荷、循环疲劳、高速变形等动态服役条件下，材料本构关系通常呈现显著的路径依赖性与强非线性特征,这对机器学习模型的结构设计、训练策略及泛化能力提出更高要求。此外，材料领域普遍存在样本规模有限、实验数据噪声较大、多源数据一致性不足等问题，这进一步增加物理约束与数据驱动模型协同优化的难度。如何在有限数据条件下实现稳定收敛，并构建兼具物理一致性与预测能力的混合建模框架，已成为物理信息驱动材料智能设计需要突破的前沿问题。
4.3 构件级数字孪生体的搭建
上述两项技术的最终目的是搭建高保真构件级数字孪生体。对于航空发动机双性能钛合金整体叶盘等关键部件，其数字孪生体是一个贯穿全生命周期信息的、可动态演化的虚拟映射，是材料设计模型、工艺仿真模型、个体制造过程与实时服役数据4个方面的深度融合。材料智能设计阶段的热力学数据库以及成分-工艺-性能预测模型为数字孪生体提供材料本征属性的初始知识库。Hao等 [81]通过将α→β相变、动态再结晶等物理机制显式地嵌入本构模型中，并利用机器学习进行参数优化，成功构建一个能准确描述材料在热变形过程中复杂流变行为的高保真模型。这种机理与数据融合的建模范式，为孪生体精确模拟构件在任意载荷下的应力-应变响应奠定坚实基础。此外数字孪生体能够深度融合特定构件的个体化制造过程,例如在增材制造过程中每层的熔池形貌、热力学演化等实时监控数据均可被记录并用于重构其内部残余应力场与晶粒取向分布。Li等 [82]通过量化激光功率、扫描速率等关键工艺参数对材料性能的影响权重(如激光功率的特征重要性得分高达0.847),证明精确追溯和复现制造过程参数对于预测最终性能至关重要。更重要的是，数字孪生体可以通过机载传感器网络持续接收真实的飞行载荷谱、温度场、结构响应数据，并以此为驱动进行动态更新。
在此基础上，数字孪生体利用多尺度仿真(如晶体塑性有限元)与数据-物理融合的AI模型,动态模拟该特定个体在真实服役环境下的完整行为。Zong等 [83]研究表明如何利用深度学习模型精准预测微观组织在不同条件下的时空演化规律,这为孪生体模拟服役过程中的组织退化(如α相粗化)提供关键技术。Guo等 [79]基于连续损伤力学,构建既能保证物理一致性、又具备毫秒级预测速度的代理模型,用于实时追踪损伤累积并预测剩余使用寿命(remaining useful life,RUL)。此外,Bai等提出生命周期评估(life cycle assessment,LCA)框架,表明数字孪生体的功能可延伸至环境影响评估等更广泛的维度。
因此，构件级数字孪生体的输出不再是基于批次统计估计的平均保守寿命，而是针对唯一实体的个体化、动态化、高精度的RUL预测。这使得维护策略可以从传统的定时维修或视情维修跃升至预测性维护，在故障发生前精准安排检修，最大化装备可持续性并从根本上保障飞行安全。
5、AI+Ti研发范式的思考
材料研发的范式，深刻塑造着科学发现的效率与路径。高性能钛基材料因其多组元成分、多相(如α、β相和ω相)共存、复杂相变路径以及对热-力过程参数的高度敏感性，长期受困于传统的试错-归纳研发模式。该范式高度依赖专家先验知识，其流程呈线性、串行结构，在高维成分-工艺参数空间中开展探索时，往往面临巨大的实验成本与时间代价。与此同时，对强度、韧性、疲劳、蠕变等宏观性能与微观组织演化、缺陷演化行为之间复杂的耦合机制，多停留于唯象层面的定性描述，难以实现由物理机理驱动的定向调控与精准设计。近年来，以深度学习为代表的人工智能技术迅猛发展，正深刻推动复杂材料体系研发模式的转型。这一变革并非仅体现为计算工具的迭代升级，更在于从底层逻辑上重新构建高性能钛基材料的发现-理解-创造全过程。新一代研发范式以领域知识-数据驱动-算法解析-自动化闭环为核心特征，致力于构建一个能够从多尺度数据中持续学习、在虚拟与现实空间中迭代优化并不断沉淀与修正领域知识的智能增强系统，如图11所示。本节系统阐述这一范式转型的内在逻辑、核心支撑、实践途径与深层挑战，为突破该领域长期存在的经验依赖与试错瓶颈、实现从认知局限到设计自由的跨越发展，提供系统性思考。
5.1 新范式的核心支撑与运行逻辑
新范式的建立依赖于3个相互支撑的核心内容，共同构成一个区别于传统模式的全新方法论内核。
(1)数据密集型高通量感知与计算
新范式的起点是数据维度与深度的挖掘。针对钛基材料对成分微调、间隙元素(O、N元素)及热力学演化极度敏感的特性,传统静态、单点表征已无法满足需求，取而代之的是多尺度、多模态、原位/实时的高通量数据流:同步辐射与透射电镜对α/β相变动力学与位错演化的原位观测;增材制造过程中对熔池形貌、热梯度、冷却速率及β晶粒取向的实时监控;结合第一性原理计算与CALPHAD方法对Ti-Al-V-Mo-Sn-Zr等多元体系进行高通量相稳定性与性能的虚拟筛选。这些数据共同构成钛基材料数字孪生的感知基础,使对复杂相变行为与性能关联的动态、全景式理解成为可能 [4−5,7,84−86]。
(2)物理信息增强的模型认知系统
纯数据驱动易陷入黑箱与外推失效。鉴于钛基材料的物理机制相对清晰但高度非线性耦合,新范式强调物理信息增强的机器学习，其核心在于将钛合金特有的物理规律(如d电子理论对β相稳定性的解释、α/β相变热力学与Johnson-Mehl-Avrami动力学模型、晶体塑性各向异性本构关系以及扩散控制的析出长大方程)作为硬约束或软正则项嵌入神经网络架构。例如，将描述α片层形核与粗化的相场方程残差引入损失函数，可使代理模型在预测热处理后组织时自动满足热力学一致性。此类模型不仅拟合数据，而且内化物理规则，显著提升在小样本、外推区域(如新型多元合金或极端工艺)的预测可靠性与泛化能力 [87−89]。
(3)机器人驱动的自动化实验闭环
认知必须通过行动验证。鉴于钛合金制备对气氛纯度、成分均匀性及热过程控制极为苛刻，自动化机器人实验平台成为实现设计-合成-表征-测试闭环的关键物理载体。结合主动学习算法，AI可自主提出最具信息增益的下一个实验(如微合金化成分点或阶梯退火制度),由机器人系统在真空或惰性气氛下完成熔炼、热机械处理,并自动采集微区成分、初生α相比例、显微硬度等关键指标，结果即时回馈训练集，驱动模型迭代更新。该闭环系统不仅避免科学家重复劳动，而且实现对高维设计空间的定向、主动、高效探索，加速发现传统方法难以触及的性能最优区域 [7,90−92]。
5.2 范式转型在高性能钛基材料研发中的实践途径
上述3大支撑正在重塑钛基材料研发的具体实践,主要体现在以下3个关键方向:
(1)从性能导向到机理嵌入的合金设计
传统设计止步于满足宏观性能指标，新范式深入至微观机理层面。首先，集成CALPHAD热力学数据库与机器学习，精准预测多元体系中β稳定当量、亚稳相(如ω、α"相)析出倾向及相变温度窗口;其次，耦合晶体塑性有限元模拟数据驱动代理模型，定量解析片层α厚度、等轴α体积分数、晶界α连续性等组织特征对强度、塑性及裂纹偏转路径的影响;最后，通过多目标优化生成成分-工艺-组织一体化方案，不仅满足高强高韧要求，而且预设主导变形机制(如TWIP/TRIP效应和界面协调滑移)。这一方向标志着从达标向按需定制微观失效路径的根本跃迁 [51,93−96]。
(2)从工艺窗口到过程智能的制造调控
在激光/电子束增材制造等复杂工艺中，传统方法依赖宽泛、静态的安全窗口，新范式构建基于物理的实时智能调控系统。通过同步采集熔池形态、热力学演化、原位光谱(监测O/N元素污染)等多模态信号，训练深度学习模型动态诊断缺陷成因(如未熔合源于能量密度不足、脆化源于间隙元素超标);模型驱动执行器实时调整激光功率、扫描策略和保护气流量，实现闭环补偿。这种集感知-建模-决策-控制于一体的架构,将钛基材料构件制造从开环控制升级为自适应过程智能，从根本上保障关键部件(如发动机叶片)的组织均匀性与性能一致性 [97−99]。
(3)从服役考核到寿命预测的性能评估
面对航空航天领域对钛合金在疲劳、蠕变等多耦合作用下长时服役性能的严苛需求，当前研究致力于构建跨尺度、跨维度的机理关联预测框架。该框架依托于原位监测技术，精准捕获材料早期退化特征，涵盖疲劳初始阶段驻留滑移带的形成、α/β相界面微裂纹的萌生动力学以及高温蠕变初始亚稳组织的演化路径,并将上述微观结构响应与物理损伤模型(如基于晶体塑性的疲劳指示参数、空穴形核与长大动力学)进行系统融合。进一步借助迁移学习或物理信息神经网络等策略,实现从短时加速实验数据到长时失效寿命的有效映射。这一路径不仅显著缩短材料考核与认证周期，而且驱动着从传统事后验证模式向寿命可设计的前瞻性工程范式跃迁 [77,79,100−102]。
5.3 范式转型面临的深层挑战
尽管前景广阔，新范式的全面落地仍面临4个方面挑战。
(1)数据挑战:质量、标准与生态
高质量、标准化、可共享的数据生态尚未建立，突出表现为:关键数据(如新型高温钛合金在多场耦合下的长时蠕变数据)缺失、描述符不统一(对网篮组织、片层集束尺寸等关键特征缺乏量化标准)和数据壁垒严重(高价值工艺-性能数据分散于军工、航空等封闭体系)。因此，亟须构建聚焦钛基材料的权威基准数据集，制定涵盖多相、各向异性特征的机器可读数据标准，并建立安全可信的共享激励机制 [103−110]。
(2)模型挑战:可解释性、因果性与可信度
当前模型尚未形成对成分/工艺→组织演变→性能全链条因果机制的深度解析能力，大多停留于统计关联层面。例如，模型可预测某成分以提升强度，却难以阐明其源于α细化、界面强化还是TWIP/TRIP效应。如何从高维混杂数据中推断支配性能的深层物理机制，构建兼具高精度、强泛化与物理可解释性的可信模型，是赢得科学家信任、实现数据拟合向机理认知跨越的关键 [111−117]。
(3)融合挑战:跨尺度壁垒与人机协同
从电子结构到介观组织再到宏观性能的跨尺度建模链条存在断点，科学家需在模型中注入先验知识以此来约束AI挖掘的复杂模式，并对其生成的海量方案进行基于物理直觉的战略筛选。高效的人机交互框架是挖掘智能研发潜力的核心 [118−120]。
(4)工程与认证挑战:从虚拟到现实的"最后一公里"
AI设计的理想组织对工艺波动极度敏感,虚拟-实体高保真映射仍是巨大工程难题。更严峻的是，现行航空材料适航认证体系基于确定性物理模型与以往数据，对AI设计的新材料或动态调控的新工艺,缺乏可靠性评估标准与快速认证路径,成为产业化落地的关键障碍 [121−122]。
6、展望
高性能钛基材料的研发路径正被人工智能深刻重塑，贯穿性能预测、逆向优化设计、自主实验等多个环节，展现出深远的颠覆性潜能。然而，在迈向规模化、可信赖、可推广的AI+Ti新阶段过程中,仍面临多重系统性挑战与深层争议。未来发展必须超越单纯追求算法精度的局限，转向构建一个科学可信、工程可靠、生态可持续的智能研发体系。
6.1 非共识性问题
尽管人工智能在钛基材料研发中展现出巨大潜力并产生诸多成功范式，但其未来发展仍面临若干深层次、尚未形成共识的关键问题。这些问题不仅关乎技术路线的选择，而且触及科学哲学、知识产权伦理、产业生态构建等根本层面。
(1)AI在材料研发中的终极角色:从工具到发现者
目前AI在材料科学中的主要应用是根据研究人员设定的目标和约束条件进行优化求解，所以其定位还是高效的数据分析工具和强大的预测代理模型。但是，一个更具颠覆性的问题是:AI是否可能超越工具属性，具备自主提出原创性科学问题并设计实验方案予以验证的能力。若成为现实，将从根本上挑战传统科学发现的主体性边界，引发深刻的哲学与伦理讨论:科学发现的荣誉应归因于算法、开发者，还是使用它的研究者?当前虽有研究尝试利用大语言模型(large language models,LLMs)从文献中挖掘隐性知识以辅助提出新假设,但距离真正的自主科学发现仍有遥远距离，其可能性与合理性尚存广泛争议 [123−124]。
(2)数据开放与知识产权的博弈:共享与保护的两难
AI模型提升性能的动力来源于高质量、标准化的数据集。学术界普遍倡导开源共享，认为能加速整个领域的知识积累与技术进步，如Al通过高通量实验构建的公开数据库为多目标优化提供宝贵资源。然而工业界视核心工艺与性能数据库为商业竞争力，担心无条件开放会直接导致技术优势丧失，这是阻碍AI+Ti发展的根本利益冲突。为弥合这一鸿沟，学术界提出若干技术方案。其中，联邦学习(federated learning)允许各参与方在不共享原始数据的前提下，协同训练一个全局模型;而区块链技术则有望为数据贡献提供可追溯、不可篡改的产权证明与价值分配机制。然而这些方案在实际工程场景中的有效性、安全性与经济性仍有待验证，能否真正建立一个兼顾创新激励与知识共享的健康生态，目前尚无定论 [125−127]。
(3)最佳研发路径之争:通用大模型与垂直专用小模型比较
在技术路线上存在分歧:一方主张追随通用人工智能趋势，投入资源构建覆盖所有材料体系的超大规模基础模型，期望通过海量数据预训练获得强大的泛化与迁移能力;另一方认为,材料科学具有高度的专业性与物理约束，与其追求大而全，不如深耕小而精，主张应着力构建融合领域专业知识的钛基材料专用人工智能系统。这类面向特定场景需求的垂直领域模型，可围绕具体任务目标(如高周疲劳寿命预测和微观组织逆向生成)开展深度定制与精细化参数调优，显著提升预测精度与任务适配能力。例如，在高温阻燃钛合金材料优化设计中采用的高精度XGBoost代理模型+物理约束引导的遗传算法框架 [17,99]，正是后一路径的实践。将来，究竟是通用大模型凭借其规模效应最终胜出，还是垂直专用小模型因其物理一致性与任务针对性成为主流，仍是悬而未决的战略性问题 [128−131]。
(4)方法论根基:数据驱动与物理驱动孰为根本
在AI+Ti的方法论层面，数据驱动与物理驱动范式的根本地位之争尤为突出。物理驱动派强调必须以第一性原理计算、相场模拟、连续介质力学等物理模型作为理论基础，否则极易产生违背热力学第二定律或晶体学基本规则的虚拟预测，尤其面对稀疏数据时风险极高;数据驱动派认为在钛合金这类涉及多尺度、多物理场强耦合的极端复杂体系中，构建全域精确的物理模型是一项不可能的任务。相比之下，数据驱动方法凭借其强大的非线性拟合与模式识别能力，在有限数据下往往能获得更优的工程预测精度，展现出更强的普适性与灵活性。此争论直指智能材料研发的方法论根基。当前的共识趋向于深度融合，即以不可违背的物理定律为刚性骨架，对AI模型的输出施加约束;同时以高质量、多维度的实验与模拟数据为内容，驱动模型学习物理模型难以刻画的复杂细节与经验规律，最终形成物理引导、数据精修的混合智能范式。但是，如何在不同场景下最优地平衡二者权重，尚无普适准则 [87−89]。
6.2 未来发展方向与建议
随着数据驱动研发范式在材料科学领域的纵深发展，人工智能在高性能钛基材料中的应用正处于由单一的性能辅助预测向全流程、多尺度、多物理场耦合的系统性工程跨越 [3]。面对航空发动机关键转动件与承力件对材料损伤容限、高温热稳定性以及极端工况适应性的严苛要求，未来研究将致力于构建贯穿成分设计、制备工艺优化和服役行为评价的智能化研发体系。本节将从复杂服役行为的精细化预测与机理解析、制造过程的智能协同与闭环控制以及钛合金专用物理信息感知模型的构建与演进3个维度，对该领域的未来发展趋势进行深入阐述。
(1)复杂服役环境下的材料性能预测与多尺度耦合
在力学性能预测方面，尽管目前关于室温拉伸行为的回归建模已取得较为成熟的成果，但是面向高性能钛基材料在复杂服役环境下的性能演化规律，仍存在一系列亟待突破的难题。尤其在涉及多轴应力状态、高温蠕变与疲劳耦合机制以及动态冲击载荷等多元复杂工况时，现有预测方法在物理建模精度与数据驱动能力方面均显不足，难以全面刻画材料的真实响应行为。未来的研究重心将被导向于建立包含多尺度微观组织特征的深度学习架构 [132]。具体而言，模型输入端将不再局限于宏观的合金成分配比与热处理温度，而是引入通过计算机视觉与图像分割技术提取的微观组织定量描述符，如初生α相与次生α相的体积分数、晶粒形貌、片层厚度、晶界取向差分布、织构强度等。此外，针对疲劳寿命精准预测这一关键科学挑战，亟须构建融合断裂力学机理的概率型机器学习模型。该模型应重点刻画微观缺陷分布的统计规律，量化其对裂纹萌生位置与扩展寿命的贡献权重，从而实现对钛合金高周及超高周疲劳极限的精准评估。通过引入物理机制约束，可显著降低工程设计中过度依赖安全系数导致的冗余，提升结构效率与可靠性。
在高温抗氧化与阻燃性能方面，单纯的数据驱动建模将被化学-热力学-流体力学耦合机制修正。在未来的预测模型构建中，研究将聚焦于氧化膜生长热力学条件和动力学过程的深入解析，通过整合合金元素(如铝、铬、铌元素)在氧化膜与基体界面的扩散系数、热力学特征参数以及吉布斯自由能变化，模型可实现对氧化膜的Pilling-Bedworth比、内应力演化规律及剥落倾向的精准预测。特别是在钛火防控领域，基于现有的激光点火与燃烧实验积累的多维数据，机器学习将被用于构建包含热输入密度、氧浓度、气流速度、环境压力、合金成分等多变量的高维燃烧边界预测图谱。通过集成基础 thermodynamics 计算数据(如各组分的饱和蒸气压、燃烧热和绝热火焰温度)与流体力学特征(如熔体黏度和表面张力),构建燃烧动力学混合模型。该模型将在设计阶段筛选出能够通过形成连续致密氧化层，阻隔氧元素扩散，或利用高黏度熔体流动抑制燃烧区域扩展的新型阻燃钛合金成分，从而大幅降低极端环境测试的试错成本与周期 [3]。
(2)全流程工艺参数的智能协同
单一工序的局部调整不再满足对特殊目标性能的定制要求，需推动工艺优化向熔炼-锻造-热处理-机械加工全流程的智能协同控制演进。随着传统熔铸及锻造工艺的发展，机器学习正被引入以构建面向多物理场耦合条件下的热变形本构关系。基于不同温度、应变速率及变形程度下测得的流变应力数据，可通过模型训练实现对动态再结晶、动态回复与相变演化过程的预测。以此为基础优化热加工窗口，能够有效规避流变失稳区域和绝热剪切带的产生，从而在大尺寸构件制造过程中实现微观组织均匀性的有效调控，并最大限度降低残余应力。在热处理工艺的设计环节，相场模拟与机器学习算法的协同应用成为重要技术路径。通过逆向求解策略获取理想双态组织或网篮组织所需的最佳固溶温度、冷却速率与时效工艺参数，进而实现对初生相含量、次生相析出特征及其空间分布的精确调控。
此外，人工智能在增材制造中的应用将聚焦于过程缺陷的实时监测与抑制。鉴于增材制造过程中涉及极快的热循环(10³~10⁵ K/s)与复杂的熔池动力学,未来的研究将致力于开发基于多传感器融合的在线监测-实时反馈-参数调整闭环控制系统。通过卷积神经网络与循环神经网络等深度学习算法，对加工过程中的熔池光学图像、声发射信号、热辐射数据及铺粉质量进行实时处理，识别未熔合、气孔、球化、微裂纹等缺陷特征。在此基础上，建立工艺参数(如激光功率、扫描速率和扫描间距)与打印件致密度、残余应力分布及微观组织织构之间的动态关联模型。通过主动学习框架，模型能够在制造过程中动态修正扫描策略与能量输入,以消除各向异性、抑制柱状晶生长并减少缺陷形成,从而制备出性能均一且满足航空适航标准的增材制造钛合金构件 [133−134]。
(3)钛合金专用物理信息感知模型的构建与演进
针对高性能钛基材料研发中普遍存在的数据获取成本高、样本量小且高维空间分布稀疏的特征,直接应用通用型大数据算法往往面临过拟合风险高或物理可解释性缺失的问题。因此,构建深度融入钛合金领域知识的物理信息感知机器学习模型是未来算法演进的核心方向 [132]。
该框架将通过三大核心策略进行系统性重构，首先在特征工程层面将不再局限于传统的元素摩尔分数,而是深度融合物理冶金原理,引入钼当量、铝当量、价电子浓度、d电子轨道能级参数(如Md和Bo)、原子半径错配度、电负性差、混合焓等具有明确物理意义的复合参数,以此实现对钛合金相稳定性、固溶强化机理、电子结构等内在机制的精准表征 [4]。这种降维处理不仅能有效减少计算负荷,更赋予模型在小样本数据条件下的鲁棒性与泛化能力，使其能够捕捉到隐藏在复杂成分配比背后的物理化学规律。此外，为了突破"黑箱限制",需要将模型的可解释性提升至与预测精度同等重要的地位。通过应用SHAP等博弈论解释工具,能够精确量化各合金元素及工艺参数对目标性能的边际贡献，这不仅有助于验证模型预测逻辑是否符合物理冶金常识(例如验证铝、锆元素对α相稳定性的正向贡献，或钒、钼元素降低β相转变温度的作用),还能通过特征重要性排序为新材料的成分调整提供明确的方向指引，辅助科研人员发现如晶界偏聚、短程有序结构等新的强化机制。更重要的是,面对高维设计空间中的数据稀疏问题,引入主动学习与迁移学习策略是目前最适配的解决方案。构建基于高斯过程回归与贝叶斯优化等算法的采集函数，能够使模型具备实验路径的自主规划能力，在探索未知区域与开发高值区域之间实现自适应平衡。该策略通过推荐信息增益最大或性能提升潜力最显著的成分点或工艺点进行验证,并将新生成的实验数据实时融入数据集驱动模型迭代更新。由此可在最小化实验迭代次数的前提下高效逼近性能帕累托最优边界。同时，还可以利用在低成本钛合金(如Ti-6Al-4V合金)或典型成熟数据库中预训练的模型参数，通过迁移学习策略应用至高性能但数据稀缺的新型钛基材料体系中，将成为解决小样本难题、加速新材料研发周期的有效途径。
综上所述，人工智能在高性能钛基材料中的应用正处于由唯象数据拟合向物理机理融合过渡的关键阶段。未来通过深度融合材料基因工程要素、先进算法与高通量实验技术,有望建立起具有高物理保真度、强泛化能力与自主进化特征的钛合金智能研发系统，为新一代高性能钛基材料的快速迭代与工程化应用提供核心驱动力。尽管AI+Ti的研究目标与应用场景千差万别，但其实施通常遵循一个可重复的结构化工作流程，以科学问题为起点，以工程验证为终点，形成闭环迭代的研发范式，确保了研究的系统性与有效性，
由图12可见，该流程通常始于对科学问题的清晰界定，这一环节为整个研究过程提供方向和边界，对后续模型构建与材料设计具有基础性作用。通过明确材料设计目标和应用背景，并据此建立输入变量与输出性能之间的基本关系框架。在此基础上，需要构建材料数据层，高质量数据是人工智能驱动材料设计的核心支撑，相关信息通常来源于实验测量、第一性原理计算、高通量模拟、已有文献数据库等多种渠道，通过数据清洗、整理与标准化处理形成可用于模型训练的结构化数据集。随后通过特征工程将原始材料信息转化为机器学习可识别的描述符，并将复杂材料体系映射为可学习的特征向量,从而提升模型对结构-性能关系的识别能力。在模型构建阶段，多种机器学习算法被用于建立材料描述符与目标性能之间的映射关系，从高维数据中提取潜在规律，实现材料性能的快速预测，并在一定程度上揭示复杂数据背后的结构-性能关联。在获得稳定预测能力的模型后，可以进一步开展反向设计与优化，通过在高维成分空间或工艺参数空间中搜索潜在材料组合，以目标性能为导向筛选候选材料,在有限实验条件下显著提升材料设计效率。最后，模型预测得到的候选材料仍需通过实验制备与多尺度表征进行验证,实验结果不仅用于验证模型预测的可靠性，还能够作为新的数据重新反馈至数据库中,用于持续更新模型并优化后续设计过程,从而形成数据、模型与实验协同推进的材料研发闭环。
7、结束语
AI+Ti的研发已超越初期技术尝试阶段,正步入以解决深层重大科学问题与工程需求为导向的纵深发展期,升级为一场值得深刻理解并最终驾驭高性能钛基材料的认知与范式变革。从根本上说，AI+Ti走向应用端成功与否，关键在于能否实现高性能钛基材料的多尺度物理建模与人工智能算法协同演进，并共同推进人工智能钛科学研究新范式。不仅要用AI创造钛的领域新知识，而且要用钛的强化理论来约束和启迪AI的构建，涉及钛基材料研究智能体、专业语言模型以及逆向设计与性能优化。未来，最有力的高性能钛基材料研究智能体，必将根植于相变动力学、缺陷物理和使役失效机理的底层逻辑并深度融合于算法模型之中。面对AI+Ti数据、验证与集成的机遇挑战，需要学术界与工业界构建新型协作生态，共同定义问题、创造数据、开发工具并重构流程。只有这样，AI+Ti才能将深刻认知从原子排列延伸至部件性能，在预测、设计与制造中释放创新自由，最终为国之重器自主研制奠定坚实的智能基石。
参考文献
[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] 弭光宝，孙圆治，吴明宇，等. 机器学习在航空发动机钛合金研究中的应用进展[J]. 航空制造技术,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, KOVAČEVIĆ 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] 弭光宝，孙若晨，吴明宇，等. 航空发动机钛合金分子动力学计算技术研究进展[J]. 航空材料学报,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 L1₀-TiAl and D0₁₉-Ti₃Al 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] 弭光宝，谭勇，陈航，等. 增材制造600℃高温钛合金研究进展[J]. 航空材料学报,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 Si₃N₄+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, MUÑOZ 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] 谢建新，宿彦京，薛德祯，等. 机器学习在材料研发中的应用[J]. 金属学报,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，原文标题：人工智能驱动高性能钛基材料设计与制造的研究进展：机遇与挑战_弭光宝）
无相关信息