鈦合金是20世紀50年代初期發展與應用的重要金屬結構材料，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異特性，成為現代飛行器、航空發動機、深海探測裝備、高端生物醫療植入體等領域的關鍵應用材料，這些優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多相共存與轉變、馬氏體相變、有序化反應、位錯滑移與孿生等。然而，高性能鈦基材料的成分-工藝-組織-性能呈現極端高維度、非線性關系,并對氧等微量間隙元素及熱-力過程參數敏感 [1],使其成為難以預測和調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)等工具為材料研發提供重要支撐，但在處理上述復雜系統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捕捉顯微組織演化并進行全局尋優，導致研發過程高度依賴經驗，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境應用場景對高性能鈦基材料快速迭代與定制設計的迫切需求。
人工智能(artificial intelligence,AI)的快速發展從根本上破解高性能鈦基材料的研發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處理、復雜模式識別與全局優化能力，為連接微觀機理與宏觀工程性能開辟新的技術途徑。這場變革的核心在于構建一個數據密集、物理信息增強、機器人驅動的自動化實驗閉環為主要模式的智能增強系統。AI正驅動研發范式從被動的經驗驅動向主動的數據與計算雙輪驅動、人機深度協同、虛擬與現實持續迭代的全新模式發生根本性躍遷。在此新范式下，AI不僅加速篩選與優化，而且通過嵌入物理規律確保認知科學性，并主動探索現有理論與經驗尚未覆蓋的設計空間 [4?6]。
本文系統綜述AI驅動高性能鈦基材料技術(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雜性提供創新解決方案。主要涉及AI在構建高精度相圖-性能預測模型、實現性能目標→微觀組織→成分/工藝逆向設計中的突破;在增材制造等關鍵過程中，推動控制策略從靜態工藝窗口向動態過程智能升級，實現組織與性能的主動調控;以及構建基于多尺度數據融合的數字孿生框架，用于服役行為的跨尺度壽命預測。在此基礎上，深入剖析AI+Ti領域面臨的核心挑戰，包括高質量標準化數據生態的缺失、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同的壁壘，以及從虛擬設計到工程認證的"最后一公里"障礙。最后，展望物理信息機器學習、自主實驗平臺等未來發展方向，并就AI的角色定位、知識表示與人機協作模式、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:面向材料復雜性的專業算法與數據策略
在高性能鈦基材料這一研究領域，AI+Ti是建立在一套嚴謹且可復現的系統性方法論之上。該方法論以破解材料復雜性與實現材料素化為根本出發點，通過標準化人工智能工作流程作為框架，精準匹配并部署一系列專業化研發范式與智能算法，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，旨在通過簡化設計過程與優化材料使用，實現結構性能與工程實用的平衡。
從方法論角度看，材料智能設計通常需要根據研究目標、數據規模及問題復雜程度，選擇合適的算法框架。隨著材料問題復雜度不斷提升，集成學習、多模型融合、物理信息機器學習等方法也逐漸成為提升預測可靠性與可解釋性的重要技術途徑。鑒于不同人工智能算法在數據需求、建模能力及適用任務方面存在明顯差異，對其適用邊界及優勢進行系統比較具有重要意義。因此，表1對當前材料設計研究中常見的AI算法類型及其核心優勢、局限性以及典型應用場景進行歸納總結 [7?14],為后續鈦基材料智能設計的算法選擇與方法集成提供參考。
表 1 AI 算法適用邊界與優劣勢對比
| 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 應對小樣本高成本:主動學習范式與多尺度數據融合策略
高性能鈦合金的實驗驗證周期漫長,導致可用于訓練AI模型的高質量數據集規模有限。因此，面臨典型的小樣本困境。針對這一問題,AI+Ti發展出以主動學習(active learning,AL)為核心且深度融合多尺度計算模擬數據的綜合策略，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)指導高價值實驗。其基本原理為基于少量初始數據訓練一個GP模型,在整個設計空間中計算每個未標注點的獲取函數來權衡探索高不確定性區域與當前最優區域，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據結構化處理后回注至數據庫中用于模型再訓練，這一選擇-標注-學習的循環模式能以最少的實驗成本高效逼近全局最優解。此外，為了從根本上擴充數據源，AI+Ti積極踐行多尺度數據融合策略。在數據收集環節中，數據來源形成一個從微觀到宏觀的完整譜系:以內部實驗數據庫提供的宏觀性能與微觀組織/結構表征為基礎，同時利用計算模擬數據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、多尺度的數據經過嚴格的預處理與特征工程后，共同構建信息密度遠超傳統實驗的復合數據集，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動建模
單一數據驅動的AI模型雖然表現出較高的預測精度，但其固有的黑箱特性極易導致預測結果違背熱力學定律、晶體學取向關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重阻礙AI在工程場景(如航空發動機)具有高可靠性要求的應用。為解決上述問題，AI+Ti將專業領域知識作為硬性或軟性約束嵌入模型架構和訓練過程中，利用物理信息增強研發范式確保預測結果在擁有高精度的同時具備堅實的物理根基與可解釋性。該范式的核心是構建一種數據+物理的雙驅動策略，全面重塑優化了從特征工程到模型選擇再到訓練優化的智能化過程。
在正向設計層面，即從給定的鈦基材料成分/工藝預測組織性能，物理信息增強引導的特征工程使研究者不再局限于原始化學成分，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律，更能揭示傳統方法難以發現的高維非線性關系，從而為新材料設計提供新的科學路徑。逆向設計能夠針對特定的目標性能反向求解最優成分/工藝，此時將物理信息增強耦合其中則可構建出一種更為嚴謹的代理模型。該模型在訓練階段通過在損失函數中引入物理殘差項(如位錯密度演化方程、相變動力學方程等)或熱力學穩定性條件來確保其在整個輸入空間內的預測都滿足基本物理規律，避免在逆向搜索中進行無效探索，極大提升設計效率。
1.3 優化工藝路徑序列決策:貝葉斯優化與強化學習范式
除凝固微觀組織與結構外,鈦合金的最終性能還由復雜的熱機械處理(如多火次鍛造、階梯式熱處理等)決定，這本質上是一個多階段、序列化的決策優化問題。AI+Ti通過貝葉斯優化(Bayesian optimization,BO)與強化學習(reinforcement learning,RL)兩種方式，為解決此類問題提供了方案。
貝葉斯優化在利用函數進行全局優化時展現出突出的數據高效性,成為優化復雜熱處理工藝的首選方法。其核心在于構建一個概率代理模型(通常為GP),將多道次工藝參數(溫度、時間、冷卻速率等)設定為輸入變量,將目標性能(如強韌性)設定為輸出變量,不僅能預測性能,還可以通過獲取函數探索與量化不確定性區域,以極少的實驗迭代次數找到最優的工藝窗口，較為契合小樣本、高成本的場景。
對于需要實時動態反饋的先進制造過程(如激光增材制造),強化學習范式則更為適用。RL將制造過程建模為馬爾可夫決策過程，其中智能體依據熔池動態圖像、熱成像等實時信號，動態調整激光功率、掃描速率等參數，以最大化長期累積獎勵(如構件致密度、無缺陷率等),通過與環境(即制造設備)的持續交互來學習最優控制策略。這實現了從靜態開環工藝到動態閉環智能調控的根本轉變,是AI驅動智能制造的最高體現。
AI+Ti核心方法論是以材料復雜性的深度解析與素化策略的智能構建為根本導向,將AI的通用原理內化于標準化工作流程之中,并外顯為一系列目標明確、邏輯自洽的研發范式，使其統一成有機整體。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知與范式變革。
2、設計變革:從相圖導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測
相穩定性是決定多元鈦合金綜合性能的關鍵基礎,然而隨著合金元素種類的增加,因熱力學數據缺失或交互參數難以精確擬合,傳統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。與此同時，經驗性的當量規則雖然簡潔，但其線性加權形式難以捕捉元素間高階非線性交互效應，尤其在成分邊界區域極易失效。
圖神經網絡(graph neural network,GNN)是一種能夠處理圖結構數據的AI模型,通過將合金體系建模為復雜的關聯系統而非簡單的組元疊加，不僅擺脫了CALPHAD方法中熱力學交互參數缺失的限制，而且利用神經網絡的非線性萬能逼近特性，彌補了當量規則無法描述復雜化學環境效應的缺陷。在數據收集過程中研究者可構建一個包含數萬乃至數十萬虛擬合金的數據集，其中每個合金的原子結構被編碼為一個圖(節點代表原子，邊代表原子間相互作用) [15],其標簽來自第一性原理計算的形成能、混合能或能量差。通過在該數據集上訓練GNN模型，能夠直接從原子尺度的幾何與電子結構特征中學習并泛化出復雜的相穩定性判據。相較于經驗規則，GNN模型不僅能更準確地預測任意多元成分下的相組成，更能揭示隱藏在數據背后、超越線性疊加的物理機制。Schmidt等的研究工作為此提供了應用案例，通過大規模DFT計算構建包含近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絡進行訓練。該GNN直接將未弛豫的晶體結構編碼為原子圖,以DFT計算的形成能為標簽,成功實現對任意多元成分下熱力學穩定性的高精度預測(圖1)。不僅如此,在通過補充計算平衡化學元素與結構分布后，該模型展現出前所未有的泛化能力，在訓練稀疏數據時亦可精準預測相穩定性，有效解決傳統方法高維數據稀疏性導致的性能衰退問題。
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的連續微小變化下，材料宏觀性能發生突發性、不連續的驟降。這類現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相的連續網狀分布。傳統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域，而訓練良好的AI代理模型(如極端梯度提升(extreme gradient boosting,XGBoost)或物理信息神經網絡(physics-informed neural networks,PINN))可以在整個高維設計空間內進行連續、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區域，即性能臨界閾值的邊界。本研究團隊利用這一優勢，構建了基于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計。該模型不僅成功篩選出抗氧化性提升42%的最優成分(TF600)，而且更重要的是通過分析模型決策邊界與SHAP值，主動規避可能導致室溫脆性的臨界成分區域。這說明AI代理模型能在整個高維空間內進行連續、高效地虛擬掃描，其高預測精度(決定系數R2=0.98)確保對敏感區域的可靠識別。
AI并非要完全取代CALPHAD或經驗規則，而是與之形成一種協同增強的關系。Chai等將d電子理論中的Bo/Md等經驗參數作為關鍵輸入特征，并將β相穩定區作為遺傳算法搜索的硬性約束，體現了經驗規則對AI搜索方向的有效引導。在這種融合范式下，CALPHAD和DFT為AI提供物理根基，經驗規則提供工程先驗，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，真正實現從被動遵循相圖規律到主動駕馭復雜性能空間的根本轉變 [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(molecular dynamics,MD)計算技術已得到廣泛應用 [19],但傳統經驗的原子間勢在描述其復雜的多相行為、成分敏感性及缺陷響應等方面存在明顯不足，嚴重制約原子尺度模擬的預測能力與適用范圍。機器學習原子間勢(machine learning interatomic potentials, MLIPs)的出現提供了突破性路徑 [20?22]。MLIPs通過從高精度量子力學計算(如DFT)生成的大規模數據集中學習原子間相互作用，能夠在接近DFT精度的同時實現數個數量級的計算加速，從而支撐大規模、長時間、多組分的MD模擬 [23],為鈦基材料性能定制化設計奠定分子級模擬基礎。當前鈦合金MLIPs的研究已系統覆蓋多個關鍵合金體系，在多相與多組分體系方面，Allen等 [24]構建包含純Ti及Ti-6Al-4V合金的α相、β相和液相乃至α″相的綜合DFT數據集，提供總能量、力、應力等關鍵物理量，為開發統一描述多相行為的MLIPs奠定基礎(圖2)。
在鈦鋁系金屬間化合物這類高溫關鍵結構材料體系中，MLIPs的應用已由基礎晶格性質預測進一步深入復雜缺陷動力學與相變過程的模擬。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)成功構建能夠精確描述L1?-TiAl相與D0??-Ti?Al相的原子間勢函數。該模型不僅能夠準確復現材料的基本彈性性質，還能夠在原子尺度上刻畫位錯核心結構、位錯滑移路徑以及裂紋尖端的斷裂行為，從而揭示傳統經驗勢難以捕捉的復雜鍵合方向對力學響應的影響，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。
在凝固與相變動力學研究方面，Zhai等 [26]基于深度神經網絡開發的液態鈦鋁二元合金專用勢函數，實現對液相結構及成核過程的高精度模擬。該勢函數有效克服傳統經驗勢在描述液態無序結構及固液界面轉變過程中的精度瓶頸，可以準確預測不同過冷度條件下的成核速率與臨界晶核尺寸，為優化鈦鋁合金增材制造過程的凝固組織調控及晶粒細化提供關鍵模擬工具。
針對面向更復雜的工程應用，通過對三元Ti-Al-Nb體系的系統比較研究表明，無論是矩張量勢還是深度學習勢函數，均能夠在較大成分空間內保持良好的預測精度，其訓練數據集不僅涵蓋塊體金屬和金屬間化合物結構，而且進一步擴展至板狀構型、非晶結構以及多種缺陷構型，從而顯著提升模型對復雜原子環境的描述能力。Chandran等 [27]通過系統評估不同模型架構在描述三元固溶體、金屬間化合物及缺陷形成能方面的表現，證實MLIPs在多組元鈦鋁基高溫合金體系中的良好泛化能力。在此基礎上，進一步比較被動學習與主動學習策略在勢函數訓練中的效果，結果表明主動學習能夠通過迭代篩選高信息量構型，顯著提升勢函數在未知構型區域的預測能力，同時減少訓練數據規模并提高數據利用效率 [28]。上述研究表明，結合高精度深度學習勢函數與主動學習策略，MLIPs已能夠在復雜多組元體系中實現穩定可靠的性能預測，為探索兼具高強度、高韌性與優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,并為高溫結構材料的計算驅動設計奠定基礎。
除結構材料體系外，MLIPs在其他功能型鈦合金中同樣展現出廣闊的應用前景。在生物醫用領域,低模量Ti-Nb-Zr合金因動態不穩定性而備受關注，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控提供依據 [29]。在耐蝕與高溫應用方面,Li等 [30]提出普適性深度學習勢函數研究Ti-Pt合金的多尺度結構與熱力學行為。面向新一代高熵合金，MLIPs顯著加速對其彈性性能、力學性能及位錯滑移行為的模擬 [31]，未來還將結合實驗探索短時氧化等復雜過程 [32]。
在微觀性能預測能力方面，MLIPs顯著突破傳統實驗與模擬的邊界。Shen等 [33]基于矩張量勢構建鈦合金MLIPs,通過MD模擬分析預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知。在腐蝕領域，相場模型已成功模擬溶解驅動的應力腐蝕開裂，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揭示錐形納米結構對熱傳導效率的增強效應,表明MLIPs在熱力學性質模擬中潛力巨大。Cho等 [35]結合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計提供關鍵支撐。
在模型架構與訓練方法方面，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憑借對復雜勢能面(包括磁性)的良好表達能力被廣泛采用，其數據庫包含約15萬個局部原子環境;Wen等 [36]通過專用神經網絡結構提升DP在鈦合金力學響應預測中的準確性;MTP在捕捉Ti-Al合金復雜相行為中表現突出。訓練策略方面，人工神經網絡勢(artificial neural network potential,NNP)已用于預測Ti-Al系相圖，彌補傳統勢函數的精度缺陷 [37];GNN通過消息傳遞機制自動學習最優原子環境特征，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練構型，大幅提升數據效率，已成功應用于鈦合金MLIPs開發 [38]。此外，Lin等 [39]提出面向脆性材料延伸缺陷的專用訓練策略，也為鈦合金MLIPs優化提供新思路。
2.3 微觀組織工程的逆向設計:從性能目標到組織藍圖
由于鈦基材料的宏觀性能與其復雜的微觀結構之間存在高度非線性的復雜映射關系 [40],人工智能在鈦基材料微觀組織性能優化方面的圖像應用已成為材料科學領域一個充滿活力的研究熱點。隨著顯微鏡技術和深度學習技術的飛速發展，基于圖像分析的人工智能方法為加速鈦基材料微觀結構表征、性能預測和優化設計開辟新途徑 [41]。研究表明，利用生成式AI與計算機視覺技術，不僅可以實現組織形貌的自動量化表征，而且能在增材制造等復雜工藝中發現傳統方法難以觸及的全新工藝窗口,最終實現材料從宏觀性能目標到理想微觀組織的智能化逆向設計與精確預測 [42?44]。
深度學習模型是一類基于多層人工神經網絡(尤其是卷積神經網絡(convolutional neural network,CNN))的機器學習方法,能夠直接從原始顯微圖像中自動學習并精準捕捉晶粒、相界、片層等復雜微觀特征，無需預設閾值或形態學規則 [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，構建了一個基于深度卷積神經網絡(deep convolutional neural network,DCNN)的語義分割模型。他們首先指出傳統Otsu、Kittler等閾值分割方法因主觀性強而難以區分孔隙與未熔合缺陷的局限性。通過訓練DCNN模型，該工作成功實現對這兩種關鍵缺陷的自動、高精度分割,并以此為基礎建立缺陷特征與疲勞壽命的定量關系，為增材制造構件的可靠性評估提供客觀依據。Fotos等 [47]采用通用金相圖像的晶粒分割，挑戰傳統分水嶺算法因圖像噪聲和強度不均導致的過分割問題，提出一種將深度學習自動提取能力與經典算法相結合的創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確性和魯棒性。
深度學習在圖像分割和分類任務上表現卓越，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習，揭示TC18鈦合金熱加工過程對微觀組織的影響(圖3)。利用雙錐試樣結合大區域拼接(large area mapping,LAM)技術，一次性獲得涵蓋梯度應變和不同熱處理條件的海量微觀組織數據(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算法構建熱加工參數(變形溫度、應變和固溶溫度)與微觀組織演變之間的高精度預測模型。這項工作展示了如何利用AI處理高通量實驗產生的大數據，實現對復雜熱-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測外，近年來研究人員開始將統計學微觀結構表征方法與機器學習模型相結合，以建立更加具有物理意義的結構-性能關聯模型。Hao等 [49]提出一種微觀結構信息驅動的機器學習框架，用于預測SiC/Ti鈦基復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構特征的代表性體元數據,利用兩點相關函數對微觀結構進行統計量化表征，再通過主成分分析實現降維處理，最終采用支持向量回歸模型建立微觀結構特征與宏觀力學性能之間的映射關系。結果表明，該模型在極限抗拉強度預測中具有較高精度，大部分預測結果誤差控制在±1%范圍內，并能夠識別纖維體積分數和空間分布等關鍵微觀結構參數對性能的主導作用，從而為建立可靠的"微觀結構-性能"關聯關系提供新的數據驅動路徑。
上述研究為微觀組織逆向設計奠定重要基礎，其中生成式模型在實現從性能目標到組織結構設計的過程中發揮著關鍵作用。Zhu等 [50]以T55511鈦合金為研究對象，開創性地應用去噪擴散概率模型(denoising diffusion probabilistic models, DDPM)實現微觀組織的逆向生成與預測(圖4)。DDPM模型以熱處理參數為條件訓練生成高保真度的微觀組織圖像。尤為關鍵的是，該研究引入一套嚴格的定量評價體系,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?)的體積分數、主/次軸長度等關鍵參數。結果表明，模型生成的組織在定量指標上與真實樣本高度吻合,這為以特定性能目標而設計理想微觀組織的逆向范式提供迄今為止最堅實的實證,標志著材料設計從試錯邁向按需定制的重要一步。
2.4 多目標協同優化設計:從性能權衡到性能協同的智能尋優
高性能鈦基材料的工程應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到最優平衡。然而，這些性能指標之間通常存在內在矛盾與制約關系(如強度-塑性的倒置關系和低模量與高強度的沖突),使得傳統單目標優化或經驗試錯法難以奏效。人工智能驅動的多目標優化提供了有效的解決方案。通過在高維成分-工藝空間中系統性地探索帕累托最優(Pareto optimality),AI不僅能夠揭示不同性能間的權衡關系,而且能發現實現多性能協同提升的最優參數空間，為工程選材提供定量化設計圖譜。
Chen等 [51]針對生物醫用 β鈦合金的設計需求，巧妙地融合高通量實驗與機器學習，實現多目標協同優化的典范(圖5)。首先基于擴散偶技術，通過納米壓痕和電子探針微區分析對Ti-Nb-Zr-(Cr,Hf,Mo,Sn,Ta)體系進行高通量力學與互擴散性能表征，獲得包含1290組數據的可靠數據庫。隨后利用高斯過程回歸(Gaussian process regression, GPR)算法構建楊氏模量、硬度和熱加工能力 3個關鍵性能的高精度預測模型。在此基礎上,研究人員設計一個交互式篩選循環: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優于TC4合金的候選者。通過這一多目標、分步優化的策略，成功地在廣闊的四元成分空間中精準定位目標合金Ti-(22±0.5)%Nb-(30±0.5)%Zr-(4±0.5)%Cr(原子分數)。經實驗驗證，該合金展現出優異的綜合性能:楊氏模量低至(58±4)GPa,納米硬度高達(3.4±0.2)GPa,顯微硬度高達(520±5)HV,壓縮屈服強度高達(1220±18)MPa,且塑性應變超過30%。這一工作不僅成功解決生物醫用材料中強-韌-低模量的固有矛盾，而且展示出高通量數據+多目標ML模型+交互式篩選這一集成范式在復雜多目標協同優化中的巨大潛力。
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設計框架。An等構建一個涵蓋18種合金元素和熱處理工藝參數的智能搜索空間，并建立包含397個樣本的綜合性數據集。通過系統評估6種經典機器學習算法(包括支持向量機、高斯過程、神經網絡、分類與回歸樹、提升樹和隨機森林)，并通過超參數優化，最終獲得驗證集和測試集分別達到0.95和0.93的高精度預測模型。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，為后續在高維空間中進行多目標逆向設計提供可靠的基礎。
在此基礎上，研究人員進一步將可解釋機器學習與多目標優化算法相結合，以提升模型在材料設計中的指導能力。Padhy等提出一種基于可解釋機器學習的鈦鋁合金集成設計框架，通過系統整合文獻數據構建包含約1937條數據的鈦鋁合金數據庫，并建立多性能回歸模型預測屈服強度、抗拉強度、斷后伸長率等關鍵力學性能。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律，并進一步結合多性能貝葉斯優化策略，在給定成分空間內實現多目標協同優化。通過實驗合成與性能測試驗證了機器學習預測合金的優異力學性能，結果表明"可解釋機器學習+多目標優化"的集成設計范式能夠有效提升復雜合金體系的設計效率，為鈦鋁基高溫結構材料的智能設計提供新思路。
除傳統機器學習模型外，AI在材料設計中的應用正逐漸向更高層次的知識驅動模式發展。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,從海量科學文獻中自動挖掘"成分-工藝-組織-性能"之間的隱性關聯規則,并將這些知識與數值化的機器學習模型相結合(圖6)。例如,在進行多目標優化時,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驗法則，并將這些定性知識轉化為優化算法的約束條件或啟發式規則。這種數據驅動+計算驅動的雙輪驅動模式，有望在解決更為復雜、涉及長周期服役性能(如蠕變和疲勞)的多目標協同優化問題時，提供超越純數據驅動方法的洞察力和可靠性，從而在高維設計空間中更智能、更高效地導航至性能協同的最優區域。
3、制造升級:從參數窗口到自適應控制閉環
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雜變形路徑，其制造過程均呈現出高度的非線性、瞬態性和多物理場強耦合特征。傳統制造范式嚴重依賴于經驗總結出的安全參數窗口，即在特定設備和材料條件下，通過大量試錯確定一組能避免宏觀缺陷的工藝參數范圍。這種方法雖具一定實用性，但本質上是被動、靜態且缺乏普適性的，難以應對材料批次波動、設備狀態不穩定等現實挑戰，更無法實現對微觀組織演化的主動、精準調控。
AI的深度融入正驅動鈦基材料高性能制造范式發生根本性改變，其核心是從依賴經驗的參數窗口邁向數據與模型驅動的自適應控制閉環。在這一范式下，制造過程被視為可感知、可診斷、可決策、可執行的動態系統。通過部署多源傳感器網絡對制造過程進行全息感知,利用深度學習等AI模型對海量異構數據進行實時解析與狀態診斷,并基于強化學習等先進算法生成最優控制指令，最終形成感知-分析-決策-執行的毫秒級閉環反饋。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，而且能主動引導晶粒形核與生長、相變動力學等微觀過程，實現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習的結合已成為材料科學與先進制造領域的前沿交叉方向，其核心目標是通過數據驅動的方法解決傳統試錯法研發周期長、成本高、可重復性差等瓶頸問題。圖7為機器學習在增材制造鈦合金的全流程示意圖 56當前研究表明，該融合技術已在工藝參數優化、微觀結構預測、力學性能建模、缺陷識別與控制等多個維度取得顯著進展，并展現出從被動分析向主動智能設計演變的趨勢。
在增材制造過程中，工藝參數是影響材料質量和性能的首要因素，因此機器學習模型被廣泛應用于建立激光功率、掃描速率、層厚等輸入參數與致密度、表面粗糙度、殘余應力等輸出質量指標之間的非線性映射關系，實現對制造過程的快速預測與優化。例如,Maitra等 [57]采用GPR模型預測激光粉末床熔融(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，輸出為相對密度。通過使用文獻中收集的2900個數據點訓練GPR模型，根據輸入工藝參數準確預測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習(ParetoAL)的框架,并結合針對性實驗驗證，高效地探索了包含296個候選參數的龐大參數空間，從而精準地確定能夠同時提升強度和延展性的最佳參數。與以往研究相比，采用這些優化參數制備的TC4合金在相似的強度水平下表現出更高延展性,在相似的延展性水平下表現出更高強度。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,展現了克服強度和延展性之間固有權衡關系的有效性。
除工藝參數優化外，機器學習在增材制造過程物理場的快速預測與實時控制方面也展現出重要潛力。溫度場是決定熔池形貌、凝固組織及殘余應力分布的關鍵因素，傳統有限元模擬雖然具有較高精度，卻往往存在計算成本高、難以滿足實時預測需求的難題。針對這一問題,Pan等 [59]提出一種結合有限元模擬與深度學習的混合建模框架，通過構建一維卷積神經網絡模型，實現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測。該方法利用實驗紅外測溫數據與有限元模擬結果構建訓練集，并通過提取沉積路徑的一維溫度特征實現二維溫度場重構。結果表明，該模型預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%，整體預測精度超過99%。同時，通過引入遷移學習策略，模型訓練效率提高約25%。與傳統有限元方法相比，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測與智能控制提供新的技術路徑。
在掌握制造過程參數及物理場演化規律的基礎上，研究重點進一步拓展至材料微觀組織及其力學性能的預測，相關研究已從早期的單一屬性預測發展到構建"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習方法，將內在物理屬性和相變動力學融入模型中，僅用496個樣本即實現對亞穩態β型鈦合金抗拉強度(R2=0.95)和斷后伸長率(R2=0.90)的精準預測，解決了傳統機器學習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習代理模型，用于預測LPBF制備的Ti-6Al-4V合金部件尺度的微觀結構演變，成功克服跨時空尺度集成和實驗驗證的挑戰。此類模型不僅能夠預測最終性能，而且能揭示不同工藝條件下晶粒形貌、織構和相組成的演化規律，為理解各向異性等關鍵問題提供新視角。
除材料組織與性能預測外,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,監督式機器學習方法在這方面展現出圖像識別和模式分類的優勢。Balamurugan等 [62]提出一種創新方法,結合基于表面粗糙度和內部缺陷參數的分類模型與概率物理引導神經網絡(probabilistic physics-guided neural network,PPgNN)2.0,預測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方法預測航空發動機用TC17鈦合金高周疲勞壽命，其預測性能優于常用的隨機森林和支持向量回歸模型，顯示出集成學習在處理復雜疲勞數據方面的優勢。
3.2 熱機械處理的全局路徑優化
傳統工藝設計常將鍛造、軋制與多級熱處理割裂優化，難以實現全局性能協同提升。新范式主張將復雜的熱機械處理路徑，包括變形溫度、應變速率、退火及最終時效參數視為一個高維、連續的決策序列,并借助先進人工智能方法進行端到端的全局尋優。Li等 [64]構建一個自適應的機器學習-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化單一參數，而是通過多層感知機(multilayer perceptron,MLP)將 Johnson-Cook(JC)本構模型的關鍵參數(A、B、n、C、D?~D?)與材料的宏觀力學性能(如抗拉強度、沖擊功等)進行映射,并嵌入GA的優化循環中。FEM仿真作為物理驗證器，對每一代候選參數集進行正向模擬，其結果又反饋用于修正MLP預測，該過程實現從目標性能到完整本構參數的逆向全局優化。
Zhang等 [65]展示如何利用機器學習模型指導熱加工窗口的全局選擇(圖8(b))。一方面，構建基于麻雀搜索算法優化的反向傳播(sparrow search algorithm-back propagation,SSA-BP)神經網絡代理模型，實現流變應力的可靠預測;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材料在不同溫度與應變速率組合下的能量耗散效率η及流變失穩判據ξ，進而在全局范圍內快速識別適用于動態再結晶的理想工藝窗口。
Hu等 [66]指出傳統的 Arrhenius型唯象模型因依賴線性回歸，在捕捉熱變形過程中動態回復與動態再結晶之間復雜的非線性競爭關系時存在局限。相比之下，提出的機器學習-輔助(machine learning-assisted,M-A)模型能更準確地復現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化包含多次變形與中間保溫的完整熱機械路徑至關重要，因為每一道次后的組織狀態(如位錯密度和再結晶分數)都將作為初始條件影響后續變形行為。因此，高保真度的機器學習代理模型構成了實現端到端全局路徑優化不可或缺的數字基石。
上述研究表明，通過將機器學習代理模型與智能優化算法及物理仿真深度耦合，能夠有效突破傳統分步優化的局限，實現對鈦合金熱機械處理全路徑的協同、全局尋優，為獲得兼具高強度、高塑性與優異服役可靠性的先進鈦合金構件開辟新途徑。
3.3 防護涂層的高維設計空間智能導航
涂層設計的核心是構建物理阻隔與化學調控雙重防護體系，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下膜層剝落需擁有與基體匹配良好的熱膨脹系數;三是具備在目標服役溫度下不發生相變、不與基體發生有害反應的高溫穩定性。此外，復雜工況條件對鈦合金的涂層設計提出嚴苛要求，傳統的材料設計難以同步實現多種服役性能的匹配。近年來，基于數據的人工智能方法能夠在大量實驗和計算結果中學習，為多功能復雜涂層設計及優化提供可能 [67]。一方面，通過訓練模型預測涂層的抗氧化性、硬度、耐磨性，能夠顯著減少傳統試錯法的時間和成本;另一方面,數據驅動的反向設計策略利用AI技術縮小搜索空間，直接從數據中定位最優材料配比、宏微觀結構和制造工藝 [68]。
Chen等 [69]研究激光熔覆工藝參數對于鈦合金表面TiC陶瓷涂層質量的影響規律，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))及其力學性能，以支持向量機建立涂層熔覆質量特性的預測模型，準確描述熔覆工藝參數和涂層質量的關系，指導表面熔覆涂層的工藝設計。Lin等 [70]探究Ti-6Al-4V合金表面光刻工藝對于表面氧化層結構的影響(圖9(b)),通過構建支持向量機模型，同步優化曝光時間、烘烤溫度等參數，提升航空級鈦合金表面微結構的保真度。Singh等 [71]通過調整升級網絡層的大小優化模型性能，探究等離子體噴涂涂層材料的抗侵蝕性能，研究發現20個神經元在準確性和計算效率間達到平衡，機器學習回歸方法在材料性能預測中表現優異。
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面形態對觀察到的數據進行分析和優化,分別使用人工神經網絡和自適應神經模糊推理系統兩種工具進行預測,回歸系數分別達到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，構建包含截面形貌、硬度、微觀形貌等信息的數據庫并對比不同模型預測的準確率，研究發現隨機森林模型預測的準確率最高。上述研究表明，AI技術可以通過分析涂層制備工藝參數對結構和功能的影響，優化涂層設計，并通過優化算法和參數據庫并對比不同模型預測的準確率，研究發現隨機森林模型預測的準確率最高。上述研究表明，出結合有限元建模和機器學習的涂層參數優化策略，可大幅度地降低達成精確預測所需的數據量，有效的建模獲取參數能夠顯著地擴充機器學習的數據集。Kolesnikov等 [72]則通過自適應采樣算法和ANSYS仿真軟件對不同成分和厚度的涂層進行壓痕模擬，構建訓練數據集，采用機器學習近似模型(圖9(c))在預測涂層的硬度方面表現出較高的準確性(R2=0.96)。然而在已報道的文獻中多次提到,基于數據驅動的涂層結構設計和性能預測中存在預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的優化、數據增強、遷移學習等方法減少不確定性。例如,Hao等 [73]構建出7種針對涂層抗氧化性和抗燒蝕性的機器學習預測模型,并結合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測與數字孿生
在航空航天等高安全需求領域，鈦基材料構件的服役可靠性與壽命周期控制，直接關系裝備的性能表現與操作人員的安全性。傳統的評估與運維保障系統大多依賴于離線、靜態、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件在其獨特制造過程和服役環境下的真實狀態，本質上是一種事后響應的被動管理模式。AI的深度融入引領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測與個體化數字孿生，實現對鈦基材料壽命與可靠性的主動、精準的動態管理。
4.1 基于初始狀態的性能與壽命智能初篩
構件的服役壽命與出廠時的基因(成分、微觀組織及內部缺陷狀態)密切相關。傳統上，對構件疲勞壽命、蠕變行為等關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，如標準試樣的高/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性導致的個體性能差異。
隨著AI技術(特別是深度學習和可解釋機器學習)的發展,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，構建端到端的智能初篩模型,預測其宏觀力學性能與統計壽命分布。這種初篩范式具有顯著優勢，僅采集初始狀態數據即可完成性能預測，避免大量物理實驗;同時，對每一構件皆可建立專屬性能檔案并進行個體化評估，突破傳統批次穩定性的局限，及時發現潛在弱件，從而提升系統整體可靠性。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)構建包含不同晶粒尺寸分布、α/β片層結構及橢圓缺陷的代表性體積單元(representative volume element,RVE)模型，通過疲勞指示參數生成擴充的疲勞壽命數據集，并在此基礎上對比多種機器學習算法(ANN、SVR、分解疲勞抗力(resolved fatigue resistance,RFR))與CNN的性能(圖10(a))。結果表明，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構特征，并有效建立上述特征與疲勞壽命之間復雜的非線性映射關系。與傳統回歸模型相比，該模型在預測精度方面表現出明顯優勢。這項工作極具開創性，證明了無需人工設計復雜的微觀特征參數，僅憑一張初始顯微組織照片，AI即可完成對構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,而且將微觀結構視角真正融入壽命預測的數字化核心,為實現基于真實微觀組織的個體化、高保真壽命評估鋪平道路。
對于增材制造構件而言,內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等將工業計算機斷層掃描(computed tomography,CT)作為獲取構件出廠基因的關鍵手段，設計出一個三步漸進式預測模型(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識別出最危險的臨界孔隙;隨后，基于該臨界孔隙的特征預測疲勞斷口上是否會出現細晶區(fine-grained area,FGA),這
是決定構建模型是否具有超高周疲勞壽命的關鍵;最后，綜合判斷應力水平、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，預測結果與實驗值的相關系數高達0.951。這項研究工作首次實現從三維無損檢測的孔隙地圖到個體化疲勞壽命預報的完整鏈條，為增材制造鈦合金構件在航空航天等高安全領域應用前期的快速、可靠、非破壞性壽命認證提供直接的技術路徑，是基于初始狀態的智能初篩理念在增材制造場景的實現。
在航空發動機等核心部件設計過程中，超高周疲勞和高溫蠕變壽命作為關鍵性能指標，實驗周期極為漫長、經濟成本昂貴，致使高質量有效數據嚴重匱乏，顯著制約AI模型的訓練效果與泛化能力。為破解這一小樣本困局，Li等 [78]提出一套數據增強與智能優化的解決方案。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據集進行擴展，在保留原始數據分布特征的前提下有效擴充訓練樣本(圖10(c)、(d))。隨后構建改進的PSO-BP神經網絡模型,通過PSO算法對BP網絡的權重和閾值進行全局尋優,并引入動態慣性權重和自適應變異算子以避免陷入局部最優。該模型以彈性模量、屈服強度、抗拉強度、試樣尺寸和應力幅值5個關鍵初始狀態參數作為輸入，成功實現對多種鈦合金(如TC4、TC11、IMI834合金等)超高周疲勞壽命的高精度預測。在充分擴增的數據集中，該模型決定系數達到89.9%,預測波動低至0.0494,其精度和穩定性均顯著優于傳統的BP神經網絡模型和隨機森林模型。
需要指出的是，基于統計模型的數據生成方法在緩解小樣本問題方面具有重要價值，但其本質仍屬于數據驅動的虛擬樣本擴展機制。若缺乏與材料物理機理和本構模型的交叉驗證，生成數據在極端應力或復雜服役環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鍵工程風險。因此在工程應用中，數據增強策略通常需要與物理約束模型或實驗驗證相結合，以提升預測結果在真實服役條件下的工程可信度。
4.2 數據-物理融合的損傷演化建模
在鈦合金構件投入服役后,其內裂紋萌生與擴展、位錯增殖和相變)將在復雜載荷譜作用下持續演化。傳統的單一物理模型方法雖然有明確的力學機制基礎,但往往因參數識別困難而導致精度不足;而完全依賴數據驅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可靠外推預測。在此背景下，數據-物理融合策略逐漸成為實現高精度、實時損傷識別與壽命預測的關鍵技術路徑。
該方法的核心在于將堅實的物理先驗知識作為模型骨架，以確保其預測結果符合基本的物理規律;同時,利用數據驅動的靈活性作為內容,對傳統物理模型難以精確描述的復雜行為和不確定性進行補充建模，從而在物理一致性與預測能力之間實現有效平衡。近年來，這一融合范式已在多種工程應用場景中展現出良好的應用潛力。
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損傷力學-先驗信息引導的BP神經網絡(continuum damage mechanics-informed BP neural network,CDM-iNN)模型。該工作首先基于CDM理論，建立一個能準確描述室溫下蠕變損傷與疲勞損傷相互促進效應的物理模型，并通過有限元方法生成包含1000個樣本的高保真數據庫。隨后，以操作壓力、駐留時間、軸向與周向應力等作為輸入，以失效循環數與實際運行時間作為輸出，訓練BP神經網絡建立快速預測模型。結果表明，該CDM-iNN模型不僅預測精度極高(測試集R2>0.9998),而且預測時間(約3ms)相較于傳統有限元計算(約50~60min)提升4個數量級。這項工作詮釋了如何利用物理模型生成可靠訓練數據并指導網絡結構設計，再利用數據驅動模型實現物理模型的高效代理，從而實現復雜損傷演化過程的快速預測。
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習的深度融合。構建一個耦合宏觀變形與微觀損傷演化的多尺度模型，并利用機器學習算法來高效求解該復雜模型。雖然其應用場景為制造過程，但利用AI加速和增強多尺度物理損傷模型的求解與預測能力的方法，對服役階段損傷演化的預測和分析具有重要參考價值。
盡管物理-數據融合模型為突破純數據驅動方法的外推能力提供重要途徑，但在面向實際工程應用的極端環境構件或高溫鈦基材料設計問題時，仍面臨一系列挑戰。首先，在多尺度、多場耦合的復雜力學問題中，模型往往需要同時滿足力學守恒、熱力學一致性、本構關系等多重物理約束，使訓練過程演化為高度非凸的多約束優化問題,易出現梯度不穩定、收斂困難等問題;其次，在沖擊載荷、循環疲勞、高速變形等動態服役條件下，材料本構關系通常呈現顯著的路徑依賴性與強非線性特征,這對機器學習模型的結構設計、訓練策略及泛化能力提出更高要求。此外，材料領域普遍存在樣本規模有限、實驗數據噪聲較大、多源數據一致性不足等問題，這進一步增加物理約束與數據驅動模型協同優化的難度。如何在有限數據條件下實現穩定收斂，并構建兼具物理一致性與預測能力的混合建模框架，已成為物理信息驅動材料智能設計需要突破的前沿問題。
4.3 構件級數字孿生體的搭建
上述兩項技術的最終目的是搭建高保真構件級數字孿生體。對于航空發動機雙性能鈦合金整體葉盤等關鍵部件，其數字孿生體是一個貫穿全生命周期信息的、可動態演化的虛擬映射，是材料設計模型、工藝仿真模型、個體制造過程與實時服役數據4個方面的深度融合。材料智能設計階段的熱力學數據庫以及成分-工藝-性能預測模型為數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、動態再結晶等物理機制顯式地嵌入本構模型中，并利用機器學習進行參數優化，成功構建一個能準確描述材料在熱變形過程中復雜流變行為的高保真模型。這種機理與數據融合的建模范式，為孿生體精確模擬構件在任意載荷下的應力-應變響應奠定堅實基礎。此外數字孿生體能夠深度融合特定構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、熱力學演化等實時監控數據均可被記錄并用于重構其內部殘余應力場與晶粒取向分布。Li等 [82]通過量化激光功率、掃描速率等關鍵工藝參數對材料性能的影響權重(如激光功率的特征重要性得分高達0.847),證明精確追溯和復現制造過程參數對于預測最終性能至關重要。更重要的是，數字孿生體可以通過機載傳感器網絡持續接收真實的飛行載荷譜、溫度場、結構響應數據，并以此為驅動進行動態更新。
在此基礎上，數字孿生體利用多尺度仿真(如晶體塑性有限元)與數據-物理融合的AI模型,動態模擬該特定個體在真實服役環境下的完整行為。Zong等 [83]研究表明如何利用深度學習模型精準預測微觀組織在不同條件下的時空演化規律,這為孿生體模擬服役過程中的組織退化(如α相粗化)提供關鍵技術。Guo等 [79]基于連續損傷力學,構建既能保證物理一致性、又具備毫秒級預測速度的代理模型,用于實時追蹤損傷累積并預測剩余使用壽命(remaining useful life,RUL)。此外,Bai等提出生命周期評估(life cycle assessment,LCA)框架,表明數字孿生體的功能可延伸至環境影響評估等更廣泛的維度。
因此，構件級數字孿生體的輸出不再是基于批次統計估計的平均保守壽命，而是針對唯一實體的個體化、動態化、高精度的RUL預測。這使得維護策略可以從傳統的定時維修或視情維修躍升至預測性維護，在故障發生前精準安排檢修，最大化裝備可持續性并從根本上保障飛行安全。
5、AI+Ti研發范式的思考
材料研發的范式，深刻塑造著科學發現的效率與路徑。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、復雜相變路徑以及對熱-力過程參數的高度敏感性，長期受困于傳統的試錯-歸納研發模式。該范式高度依賴專家先驗知識，其流程呈線性、串行結構，在高維成分-工藝參數空間中開展探索時，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雜的耦合機制，多停留于唯象層面的定性描述，難以實現由物理機理驅動的定向調控與精準設計。近年來，以深度學習為代表的人工智能技術迅猛發展，正深刻推動復雜材料體系研發模式的轉型。這一變革并非僅體現為計算工具的迭代升級，更在于從底層邏輯上重新構建高性能鈦基材料的發現-理解-創造全過程。新一代研發范式以領域知識-數據驅動-算法解析-自動化閉環為核心特征，致力于構建一個能夠從多尺度數據中持續學習、在虛擬與現實空間中迭代優化并不斷沉淀與修正領域知識的智能增強系統，如圖11所示。本節系統闡述這一范式轉型的內在邏輯、核心支撐、實踐途徑與深層挑戰，為突破該領域長期存在的經驗依賴與試錯瓶頸、實現從認知局限到設計自由的跨越發展，提供系統性思考。
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容，共同構成一個區別于傳統模式的全新方法論內核。
(1)數據密集型高通量感知與計算
新范式的起點是數據維度與深度的挖掘。針對鈦基材料對成分微調、間隙元素(O、N元素)及熱力學演化極度敏感的特性,傳統靜態、單點表征已無法滿足需求，取而代之的是多尺度、多模態、原位/實時的高通量數據流:同步輻射與透射電鏡對α/β相變動力學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晶粒取向的實時監控;結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定性與性能的虛擬篩選。這些數據共同構成鈦基材料數字孿生的感知基礎,使對復雜相變行為與性能關聯的動態、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知系統
純數據驅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,新范式強調物理信息增強的機器學習，其核心在于將鈦合金特有的物理規律(如d電子理論對β相穩定性的解釋、α/β相變熱力學與Johnson-Mehl-Avrami動力學模型、晶體塑性各向異性本構關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網絡架構。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，可使代理模型在預測熱處理后組織時自動滿足熱力學一致性。此類模型不僅擬合數據，而且內化物理規則，顯著提升在小樣本、外推區域(如新型多元合金或極端工藝)的預測可靠性與泛化能力 [87?89]。
(3)機器人驅動的自動化實驗閉環
認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設計-合成-表征-測試閉環的關鍵物理載體。結合主動學習算法，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,并自動采集微區成分、初生α相比例、顯微硬度等關鍵指標，結果即時回饋訓練集，驅動模型迭代更新。該閉環系統不僅避免科學家重復勞動，而且實現對高維設計空間的定向、主動、高效探索，加速發現傳統方法難以觸及的性能最優區域 [7,90?92]。
5.2 范式轉型在高性能鈦基材料研發中的實踐途徑
上述3大支撐正在重塑鈦基材料研發的具體實踐,主要體現在以下3個關鍵方向:
(1)從性能導向到機理嵌入的合金設計
傳統設計止步于滿足宏觀性能指標，新范式深入至微觀機理層面。首先，集成CALPHAD熱力學數據庫與機器學習，精準預測多元體系中β穩定當量、亞穩相(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據驅動代理模型，定量解析片層α厚度、等軸α體積分數、晶界α連續性等組織特征對強度、塑性及裂紋偏轉路徑的影響;最后，通過多目標優化生成成分-工藝-組織一體化方案，不僅滿足高強高韌要求，而且預設主導變形機制(如TWIP/TRIP效應和界面協調滑移)。這一方向標志著從達標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控
在激光/電子束增材制造等復雜工藝中，傳統方法依賴寬泛、靜態的安全窗口，新范式構建基于物理的實時智能調控系統。通過同步采集熔池形態、熱力學演化、原位光譜(監測O/N元素污染)等多模態信號，訓練深度學習模型動態診斷缺陷成因(如未熔合源于能量密度不足、脆化源于間隙元素超標);模型驅動執行器實時調整激光功率、掃描策略和保護氣流量，實現閉環補償。這種集感知-建模-決策-控制于一體的架構,將鈦基材料構件制造從開環控制升級為自適應過程智能，從根本上保障關鍵部件(如發動機葉片)的組織均勻性與性能一致性 [97?99]。
(3)從服役考核到壽命預測的性能評估
面對航空航天領域對鈦合金在疲勞、蠕變等多耦合作用下長時服役性能的嚴苛需求，當前研究致力于構建跨尺度、跨維度的機理關聯預測框架。該框架依托于原位監測技術，精準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以及高溫蠕變初始亞穩組織的演化路徑,并將上述微觀結構響應與物理損傷模型(如基于晶體塑性的疲勞指示參數、空穴形核與長大動力學)進行系統融合。進一步借助遷移學習或物理信息神經網絡等策略,實現從短時加速實驗數據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證周期，而且驅動著從傳統事后驗證模式向壽命可設計的前瞻性工程范式躍遷 [77,79,100?102]。
5.3 范式轉型面臨的深層挑戰
盡管前景廣闊，新范式的全面落地仍面臨4個方面挑戰。
(1)數據挑戰:質量、標準與生態
高質量、標準化、可共享的數據生態尚未建立，突出表現為:關鍵數據(如新型高溫鈦合金在多場耦合下的長時蠕變數據)缺失、描述符不統一(對網籃組織、片層集束尺寸等關鍵特征缺乏量化標準)和數據壁壘嚴重(高價值工藝-性能數據分散于軍工、航空等封閉體系)。因此，亟須構建聚焦鈦基材料的權威基準數據集，制定涵蓋多相、各向異性特征的機器可讀數據標準，并建立安全可信的共享激勵機制 [103?110]。
(2)模型挑戰:可解釋性、因果性與可信度
當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，大多停留于統計關聯層面。例如，模型可預測某成分以提升強度，卻難以闡明其源于α細化、界面強化還是TWIP/TRIP效應。如何從高維混雜數據中推斷支配性能的深層物理機制，構建兼具高精度、強泛化與物理可解釋性的可信模型，是贏得科學家信任、實現數據擬合向機理認知跨越的關鍵 [111?117]。
(3)融合挑戰:跨尺度壁壘與人機協同
從電子結構到介觀組織再到宏觀性能的跨尺度建模鏈條存在斷點，科學家需在模型中注入先驗知識以此來約束AI挖掘的復雜模式，并對其生成的海量方案進行基于物理直覺的戰略篩選。高效的人機交互框架是挖掘智能研發潛力的核心 [118?120]。
(4)工程與認證挑戰:從虛擬到現實的"最后一公里"
AI設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。更嚴峻的是，現行航空材料適航認證體系基于確定性物理模型與以往數據，對AI設計的新材料或動態調控的新工藝,缺乏可靠性評估標準與快速認證路徑,成為產業化落地的關鍵障礙 [121?122]。
6、展望
高性能鈦基材料的研發路徑正被人工智能深刻重塑，貫穿性能預測、逆向優化設計、自主實驗等多個環節，展現出深遠的顛覆性潛能。然而，在邁向規模化、可信賴、可推廣的AI+Ti新階段過程中,仍面臨多重系統性挑戰與深層爭議。未來發展必須超越單純追求算法精度的局限，轉向構建一個科學可信、工程可靠、生態可持續的智能研發體系。
6.1 非共識性問題
盡管人工智能在鈦基材料研發中展現出巨大潛力并產生諸多成功范式，但其未來發展仍面臨若干深層次、尚未形成共識的關鍵問題。這些問題不僅關乎技術路線的選擇，而且觸及科學哲學、知識產權倫理、產業生態構建等根本層面。
(1)AI在材料研發中的終極角色:從工具到發現者
目前AI在材料科學中的主要應用是根據研究人員設定的目標和約束條件進行優化求解，所以其定位還是高效的數據分析工具和強大的預測代理模型。但是，一個更具顛覆性的問題是:AI是否可能超越工具屬性，具備自主提出原創性科學問題并設計實驗方案予以驗證的能力。若成為現實，將從根本上挑戰傳統科學發現的主體性邊界，引發深刻的哲學與倫理討論:科學發現的榮譽應歸因于算法、開發者，還是使用它的研究者?當前雖有研究嘗試利用大語言模型(large language models,LLMs)從文獻中挖掘隱性知識以輔助提出新假設,但距離真正的自主科學發現仍有遙遠距離，其可能性與合理性尚存廣泛爭議 [123?124]。
(2)數據開放與知識產權的博弈:共享與保護的兩難
AI模型提升性能的動力來源于高質量、標準化的數據集。學術界普遍倡導開源共享，認為能加速整個領域的知識積累與技術進步，如Al通過高通量實驗構建的公開數據庫為多目標優化提供寶貴資源。然而工業界視核心工藝與性能數據庫為商業競爭力，擔心無條件開放會直接導致技術優勢喪失，這是阻礙AI+Ti發展的根本利益沖突。為彌合這一鴻溝，學術界提出若干技術方案。其中，聯邦學習(federated learning)允許各參與方在不共享原始數據的前提下，協同訓練一個全局模型;而區塊鏈技術則有望為數據貢獻提供可追溯、不可篡改的產權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、安全性與經濟性仍有待驗證，能否真正建立一個兼顧創新激勵與知識共享的健康生態，目前尚無定論 [125?127]。
(3)最佳研發路徑之爭:通用大模型與垂直專用小模型比較
在技術路線上存在分歧:一方主張追隨通用人工智能趨勢，投入資源構建覆蓋所有材料體系的超大規模基礎模型，期望通過海量數據預訓練獲得強大的泛化與遷移能力;另一方認為,材料科學具有高度的專業性與物理約束，與其追求大而全，不如深耕小而精，主張應著力構建融合領域專業知識的鈦基材料專用人工智能系統。這類面向特定場景需求的垂直領域模型，可圍繞具體任務目標(如高周疲勞壽命預測和微觀組織逆向生成)開展深度定制與精細化參數調優，顯著提升預測精度與任務適配能力。例如，在高溫阻燃鈦合金材料優化設計中采用的高精度XGBoost代理模型+物理約束引導的遺傳算法框架 [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模效應最終勝出，還是垂直專用小模型因其物理一致性與任務針對性成為主流，仍是懸而未決的戰略性問題 [128?131]。
(4)方法論根基:數據驅動與物理驅動孰為根本
在AI+Ti的方法論層面，數據驅動與物理驅動范式的根本地位之爭尤為突出。物理驅動派強調必須以第一性原理計算、相場模擬、連續介質力學等物理模型作為理論基礎，否則極易產生違背熱力學第二定律或晶體學基本規則的虛擬預測，尤其面對稀疏數據時風險極高;數據驅動派認為在鈦合金這類涉及多尺度、多物理場強耦合的極端復雜體系中，構建全域精確的物理模型是一項不可能的任務。相比之下，數據驅動方法憑借其強大的非線性擬合與模式識別能力，在有限數據下往往能獲得更優的工程預測精度，展現出更強的普適性與靈活性。此爭論直指智能材料研發的方法論根基。當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;同時以高質量、多維度的實驗與模擬數據為內容，驅動模型學習物理模型難以刻畫的復雜細節與經驗規律，最終形成物理引導、數據精修的混合智能范式。但是，如何在不同場景下最優地平衡二者權重，尚無普適準則 [87?89]。
6.2 未來發展方向與建議
隨著數據驅動研發范式在材料科學領域的縱深發展，人工智能在高性能鈦基材料中的應用正處于由單一的性能輔助預測向全流程、多尺度、多物理場耦合的系統性工程跨越 [3]。面對航空發動機關鍵轉動件與承力件對材料損傷容限、高溫熱穩定性以及極端工況適應性的嚴苛要求，未來研究將致力于構建貫穿成分設計、制備工藝優化和服役行為評價的智能化研發體系。本節將從復雜服役行為的精細化預測與機理解析、制造過程的智能協同與閉環控制以及鈦合金專用物理信息感知模型的構建與演進3個維度，對該領域的未來發展趨勢進行深入闡述。
(1)復雜服役環境下的材料性能預測與多尺度耦合
在力學性能預測方面，盡管目前關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雜服役環境下的性能演化規律，仍存在一系列亟待突破的難題。尤其在涉及多軸應力狀態、高溫蠕變與疲勞耦合機制以及動態沖擊載荷等多元復雜工況時，現有預測方法在物理建模精度與數據驅動能力方面均顯不足，難以全面刻畫材料的真實響應行為。未來的研究重心將被導向于建立包含多尺度微觀組織特征的深度學習架構 [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相的體積分數、晶粒形貌、片層厚度、晶界取向差分布、織構強度等。此外，針對疲勞壽命精準預測這一關鍵科學挑戰，亟須構建融合斷裂力學機理的概率型機器學習模型。該模型應重點刻畫微觀缺陷分布的統計規律，量化其對裂紋萌生位置與擴展壽命的貢獻權重，從而實現對鈦合金高周及超高周疲勞極限的精準評估。通過引入物理機制約束，可顯著降低工程設計中過度依賴安全系數導致的冗余，提升結構效率與可靠性。
在高溫抗氧化與阻燃性能方面，單純的數據驅動建模將被化學-熱力學-流體力學耦合機制修正。在未來的預測模型構建中，研究將聚焦于氧化膜生長熱力學條件和動力學過程的深入解析，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、熱力學特征參數以及吉布斯自由能變化，模型可實現對氧化膜的Pilling-Bedworth比、內應力演化規律及剝落傾向的精準預測。特別是在鈦火防控領域，基于現有的激光點火與燃燒實驗積累的多維數據，機器學習將被用于構建包含熱輸入密度、氧濃度、氣流速度、環境壓力、合金成分等多變量的高維燃燒邊界預測圖譜。通過集成基礎 thermodynamics 計算數據(如各組分的飽和蒸氣壓、燃燒熱和絕熱火焰溫度)與流體力學特征(如熔體黏度和表面張力),構建燃燒動力學混合模型。該模型將在設計階段篩選出能夠通過形成連續致密氧化層，阻隔氧元素擴散，或利用高黏度熔體流動抑制燃燒區域擴展的新型阻燃鈦合金成分，從而大幅降低極端環境測試的試錯成本與周期 [3]。
(2)全流程工藝參數的智能協同
單一工序的局部調整不再滿足對特殊目標性能的定制要求，需推動工藝優化向熔煉-鍛造-熱處理-機械加工全流程的智能協同控制演進。隨著傳統熔鑄及鍛造工藝的發展，機器學習正被引入以構建面向多物理場耦合條件下的熱變形本構關系。基于不同溫度、應變速率及變形程度下測得的流變應力數據，可通過模型訓練實現對動態再結晶、動態回復與相變演化過程的預測。以此為基礎優化熱加工窗口，能夠有效規避流變失穩區域和絕熱剪切帶的產生，從而在大尺寸構件制造過程中實現微觀組織均勻性的有效調控，并最大限度降低殘余應力。在熱處理工藝的設計環節，相場模擬與機器學習算法的協同應用成為重要技術路徑。通過逆向求解策略獲取理想雙態組織或網籃組織所需的最佳固溶溫度、冷卻速率與時效工藝參數，進而實現對初生相含量、次生相析出特征及其空間分布的精確調控。
此外，人工智能在增材制造中的應用將聚焦于過程缺陷的實時監測與抑制。鑒于增材制造過程中涉及極快的熱循環(103~10? K/s)與復雜的熔池動力學,未來的研究將致力于開發基于多傳感器融合的在線監測-實時反饋-參數調整閉環控制系統。通過卷積神經網絡與循環神經網絡等深度學習算法，對加工過程中的熔池光學圖像、聲發射信號、熱輻射數據及鋪粉質量進行實時處理，識別未熔合、氣孔、球化、微裂紋等缺陷特征。在此基礎上，建立工藝參數(如激光功率、掃描速率和掃描間距)與打印件致密度、殘余應力分布及微觀組織織構之間的動態關聯模型。通過主動學習框架，模型能夠在制造過程中動態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準的增材制造鈦合金構件 [133?134]。
(3)鈦合金專用物理信息感知模型的構建與演進
針對高性能鈦基材料研發中普遍存在的數據獲取成本高、樣本量小且高維空間分布稀疏的特征,直接應用通用型大數據算法往往面臨過擬合風險高或物理可解釋性缺失的問題。因此,構建深度融入鈦合金領域知識的物理信息感知機器學習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性重構，首先在特征工程層面將不再局限于傳統的元素摩爾分數,而是深度融合物理冶金原理,引入鉬當量、鋁當量、價電子濃度、d電子軌道能級參數(如Md和Bo)、原子半徑錯配度、電負性差、混合焓等具有明確物理意義的復合參數,以此實現對鈦合金相穩定性、固溶強化機理、電子結構等內在機制的精準表征 [4]。這種降維處理不僅能有效減少計算負荷,更賦予模型在小樣本數據條件下的魯棒性與泛化能力，使其能夠捕捉到隱藏在復雜成分配比背后的物理化學規律。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測精度同等重要的地位。通過應用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對目標性能的邊際貢獻，這不僅有助于驗證模型預測邏輯是否符合物理冶金常識(例如驗證鋁、鋯元素對α相穩定性的正向貢獻，或釩、鉬元素降低β相轉變溫度的作用),還能通過特征重要性排序為新材料的成分調整提供明確的方向指引，輔助科研人員發現如晶界偏聚、短程有序結構等新的強化機制。更重要的是,面對高維設計空間中的數據稀疏問題,引入主動學習與遷移學習策略是目前最適配的解決方案。構建基于高斯過程回歸與貝葉斯優化等算法的采集函數，能夠使模型具備實驗路徑的自主規劃能力，在探索未知區域與開發高值區域之間實現自適應平衡。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據實時融入數據集驅動模型迭代更新。由此可在最小化實驗迭代次數的前提下高效逼近性能帕累托最優邊界。同時，還可以利用在低成本鈦合金(如Ti-6Al-4V合金)或典型成熟數據庫中預訓練的模型參數，通過遷移學習策略應用至高性能但數據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用正處于由唯象數據擬合向物理機理融合過渡的關鍵階段。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,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系統，為新一代高性能鈦基材料的快速迭代與工程化應用提供核心驅動力。盡管AI+Ti的研究目標與應用場景千差萬別，但其實施通常遵循一個可重復的結構化工作流程，以科學問題為起點，以工程驗證為終點，形成閉環迭代的研發范式，確保了研究的系統性與有效性，
由圖12可見，該流程通常始于對科學問題的清晰界定，這一環節為整個研究過程提供方向和邊界，對后續模型構建與材料設計具有基礎性作用。通過明確材料設計目標和應用背景，并據此建立輸入變量與輸出性能之間的基本關系框架。在此基礎上，需要構建材料數據層，高質量數據是人工智能驅動材料設計的核心支撐，相關信息通常來源于實驗測量、第一性原理計算、高通量模擬、已有文獻數據庫等多種渠道，通過數據清洗、整理與標準化處理形成可用于模型訓練的結構化數據集。隨后通過特征工程將原始材料信息轉化為機器學習可識別的描述符，并將復雜材料體系映射為可學習的特征向量,從而提升模型對結構-性能關系的識別能力。在模型構建階段，多種機器學習算法被用于建立材料描述符與目標性能之間的映射關系，從高維數據中提取潛在規律，實現材料性能的快速預測，并在一定程度上揭示復雜數據背后的結構-性能關聯。在獲得穩定預測能力的模型后，可以進一步開展反向設計與優化，通過在高維成分空間或工藝參數空間中搜索潛在材料組合，以目標性能為導向篩選候選材料,在有限實驗條件下顯著提升材料設計效率。最后，模型預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,實驗結果不僅用于驗證模型預測的可靠性，還能夠作為新的數據重新反饋至數據庫中,用于持續更新模型并優化后續設計過程,從而形成數據、模型與實驗協同推進的材料研發閉環。
7、結束語
AI+Ti的研發已超越初期技術嘗試階段,正步入以解決深層重大科學問題與工程需求為導向的縱深發展期,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知與范式變革。從根本上說，AI+Ti走向應用端成功與否，關鍵在于能否實現高性能鈦基材料的多尺度物理建模與人工智能算法協同演進，并共同推進人工智能鈦科學研究新范式。不僅要用AI創造鈦的領域新知識，而且要用鈦的強化理論來約束和啟迪AI的構建，涉及鈦基材料研究智能體、專業語言模型以及逆向設計與性能優化。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、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數據、驗證與集成的機遇挑戰，需要學術界與工業界構建新型協作生態，共同定義問題、創造數據、開發工具并重構流程。只有這樣，AI+Ti才能將深刻認知從原子排列延伸至部件性能，在預測、設計與制造中釋放創新自由，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. 機器學習在航空發動機鈦合金研究中的應用進展[J]. 航空制造技術,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. 航空發動機鈦合金分子動力學計算技術研究進展[J]. 航空材料學報,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. 機器學習在材料研發中的應用[J]. 金屬學報,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，原文標題：人工智能驅動高性能鈦基材料設計與制造的研究進展：機遇與挑戰_弭光寶）
無相關信息