程洪,葛美伶,司天宇,張歡,何忠平

（成都大學(xué)機(jī)械工程學(xué)院，四川 成都 610106）

0 引言

金屬在人類日常生活中扮演著不可或缺的角色，貫穿著人們的衣食住行各個(gè)方面。隨著社會(huì)的進(jìn)步和科學(xué)技術(shù)的發(fā)展，人們對(duì)金屬的需求不再僅僅是單純的實(shí)用性要求，而是對(duì)性能卓越、具有廣闊應(yīng)用前景的多功能復(fù)合合金的追求［1-3］。傳統(tǒng)基于經(jīng)驗(yàn)的“試錯(cuò)法”進(jìn)行多功能復(fù)合合金研發(fā)，其所需的時(shí)間和成本龐大，而且實(shí)驗(yàn)結(jié)果也并不能完全達(dá)到預(yù)期目標(biāo)［4］。因此，需要探索一種新的方法，以加速多功能復(fù)合合金的研發(fā)。以最近關(guān)注頻繁的高熵合金為例，高熵合金是最近興起的熱門材料，人們尚未對(duì)其進(jìn)行深入研究，特別是高熵合金的復(fù)雜成分組成給材料設(shè)計(jì)和研發(fā)帶來了難題。為了解決這些問題，需要探索新的方法來加速高熵合金的研發(fā)［5］。自1956 年誕生以來，人工智能（AI）已經(jīng)發(fā)展成為一個(gè)經(jīng)驗(yàn)豐富、熱門的領(lǐng)域。機(jī)器學(xué)習(xí)（Machine Learning，ML）作為人工智能的一個(gè)分支，已經(jīng)被應(yīng)用于多個(gè)領(lǐng)域中，如材料工業(yè)。ML 可以通過利用材料領(lǐng)域中的數(shù)據(jù)，在結(jié)構(gòu)預(yù)測(cè)、催化劑設(shè)計(jì)和新材料發(fā)現(xiàn)等各種任務(wù)中發(fā)揮作用，同時(shí)也可以加速材料研發(fā)的進(jìn)程、縮短研發(fā)周期、降低研發(fā)成本。

ML 的應(yīng)用有助于推動(dòng)材料科學(xué)和工程的發(fā)展，其與材料研發(fā)相結(jié)合是未來研究和發(fā)展的一個(gè)有前途的方向，可高效快速地研發(fā)出更加高效、經(jīng)濟(jì)和高性能的材料。本綜述通過機(jī)器學(xué)習(xí)與金屬材料結(jié)合的具體案例，展現(xiàn)機(jī)器學(xué)習(xí)方法在金屬材料領(lǐng)域中的重要作用，這種新興的交叉學(xué)科展現(xiàn)出了不可估量的潛力。

1 材料領(lǐng)域中的機(jī)器學(xué)習(xí)應(yīng)用簡(jiǎn)介

ML 的目標(biāo)是通過挖掘數(shù)據(jù)之間的隱藏關(guān)系來發(fā)掘數(shù)據(jù)的潛在價(jià)值，幫助研究人員分析成分或加工過程之間的關(guān)聯(lián)性，從而揭示材料的性質(zhì)和行為。與傳統(tǒng)的試錯(cuò)方法相比，這種方式可以大大地縮短研究人員的研發(fā)時(shí)間，提高材料研發(fā)的效率。因此，ML 在材料科學(xué)和工程領(lǐng)域中的應(yīng)用具有重要的意義，可以為人們提供更加高效和可靠的材料研發(fā)解決方案。

圖1 為機(jī)器學(xué)習(xí)的算法分類。從圖1 可見，ML算法主要分為監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)。監(jiān)督學(xué)習(xí)是指在給定已知數(shù)據(jù)集的情況下，該數(shù)據(jù)集中已有正確的結(jié)果和標(biāo)簽，通過對(duì)數(shù)據(jù)集的學(xué)習(xí)得到一個(gè)結(jié)果，然后將結(jié)果與給定的正確結(jié)果進(jìn)行對(duì)比驗(yàn)證的方法，通常被用于分類或回歸問題。 Oh 等［6］利用神經(jīng)網(wǎng)絡(luò)回歸模型，使用熱處理（830—920 ℃）Ti-4Al-2Fe-xMn（x=0%—4%） 合金的 30 組實(shí)驗(yàn)拉伸數(shù)據(jù)集進(jìn)行訓(xùn)練，進(jìn)一步生成400 組拉伸數(shù)據(jù)集成分和溫度區(qū)間，找到未在數(shù)據(jù)集中出現(xiàn)的883 ℃下熱處理的Ti-4Al-2Fe-1.4Mn 合金，該合金具有超高比強(qiáng)度（289 MPa·cm3·g-1）和高伸長(zhǎng)率（34%），借助ML 算法成功地開發(fā)了一種新合金。無監(jiān)督學(xué)習(xí)是指在給定數(shù)據(jù)集，但不會(huì)給定結(jié)果和標(biāo)簽，使用算法將數(shù)據(jù)集劃分為特征相似的子集的方法。王佳豪等［7］使用層次聚類和LASSO 回歸方法，將79 種工模具鋼的成分和硬度數(shù)據(jù)集分成了4 類，并使用LASSO 回歸方法成功地預(yù)測(cè)了工模具鋼的硬度。不同的機(jī)器學(xué)習(xí)方法，具體的使用場(chǎng)景也不同。以回歸方法為例，對(duì)于同一個(gè)問題，需要使用不同的方法來進(jìn)行預(yù)測(cè)，然后對(duì)各種方法進(jìn)行評(píng)分，得分最高的方法就選擇用來解決此問題。

圖1 機(jī)器學(xué)習(xí)的算法分類Figure 1 Aigorithm classification of machine learning

圖2 為ML 構(gòu)建的流程示意圖。從圖2 可見，ML 構(gòu)建包含3 個(gè)階段。樣本構(gòu)建過程涵蓋了數(shù)據(jù)預(yù)處理和特征工程兩個(gè)步驟，數(shù)據(jù)預(yù)處理階段用于對(duì)收集到的數(shù)據(jù)進(jìn)行清洗和轉(zhuǎn)換，而特征工程則包括特征提取、特征選擇、特征構(gòu)建和特征學(xué)習(xí)，用于從樣本中選取適當(dāng)?shù)膶傩灾祷蛱卣?，以此為基礎(chǔ)劃分?jǐn)?shù)據(jù)子集，進(jìn)一步觀察數(shù)據(jù)之間的相關(guān)性；模型構(gòu)建階段涉及選擇不同的算法構(gòu)建模型，也可以使用多個(gè)算法組合形成一個(gè)模型，在此過程中可以選擇合適的算法對(duì)模型進(jìn)行優(yōu)化，如使用梯度下降算法等，以進(jìn)一步提高模型的準(zhǔn)確性；模型評(píng)估是對(duì)所選擇的模型進(jìn)行評(píng)估，這是一個(gè)重要的階段，用于評(píng)估所選模型的性能，以提供一個(gè)評(píng)判標(biāo)準(zhǔn)。

圖2 機(jī)器學(xué)習(xí)的構(gòu)建流程Figure 2 Construction process of machine learning

圖3 為一個(gè)ML 的完整工作流程示意圖。近年來，ML 在材料科學(xué)和材料力學(xué)中的應(yīng)用越來越受到關(guān)注。ML 技術(shù)可以利用海量的實(shí)驗(yàn)數(shù)據(jù)，預(yù)測(cè)材料性能并優(yōu)化材料設(shè)計(jì)，同時(shí)還可以加速材料開發(fā)過程、降低研究成本。

圖3 機(jī)器學(xué)習(xí)一個(gè)完整的工作過程［8］Figure 3 A Complete Working Process of Machine Learning

在材料科學(xué)中，ML 被廣泛應(yīng)用于材料性能預(yù)測(cè)和優(yōu)化設(shè)計(jì)［9-18］。傳統(tǒng)的材料性能預(yù)測(cè)方法依賴于經(jīng)驗(yàn)公式和理論模型，這些方法受限于對(duì)材料性質(zhì)的理解和對(duì)其復(fù)雜結(jié)構(gòu)的建模。相比之下，ML模型可以利用大量的實(shí)驗(yàn)數(shù)據(jù)和ML 算法，預(yù)測(cè)材料性能并識(shí)別與其相關(guān)的結(jié)構(gòu)特征。白冰等［19］獲得了ML 模型優(yōu)化后的ODS 合金關(guān)鍵成分配比，預(yù)測(cè)出的合金抗拉強(qiáng)度均在1 400 MPa 以上，這為快堆結(jié)構(gòu)材料的優(yōu)化設(shè)計(jì)提供了技術(shù)支持。ML 的預(yù)測(cè)結(jié)果可以為材料設(shè)計(jì)提供重要的指導(dǎo)，如指導(dǎo)設(shè)計(jì)新材料的化學(xué)成分和微觀結(jié)構(gòu)，以實(shí)現(xiàn)期望的性能。在材料力學(xué)領(lǐng)域中，ML 也被應(yīng)用于優(yōu)化材料加工工藝，以改善材料的力學(xué)性能。ML 可以通過建立材料加工工藝與材料性能之間的關(guān)聯(lián)，提高材料的性能并降低成本。例如，通過使用ML 算法優(yōu)化材料的熱處理和形變條件，以實(shí)現(xiàn)所需的力學(xué)性能。Lee 等［20］構(gòu)建增強(qiáng)決策樹回歸模型來預(yù)測(cè)中錳鋼的化學(xué)成分及制造工藝和機(jī)械性能之間的關(guān)系，并根據(jù)模型設(shè)計(jì)的化學(xué)成分和制造工藝條件制造候選鋼材，得到了極限抗拉強(qiáng)度（UTS）為1 952 MPa的高強(qiáng)度鋼。此外，ML 還可以用于材料斷裂和疲勞行為的預(yù)測(cè)和分析，幫助研究人員更好地理解材料的力學(xué)行為，進(jìn)而實(shí)現(xiàn)對(duì)材料性能的優(yōu)化。

ML 方法不僅為數(shù)據(jù)采集和分析提供了極大的便利，而且還建立了基本物理參數(shù)和力學(xué)性能之間的相關(guān)性，以此來輔助材料的研發(fā)和優(yōu)化［21-22］。

2 機(jī)器學(xué)習(xí)對(duì)輔助金屬材料的力學(xué)性能預(yù)測(cè)

機(jī)器學(xué)習(xí)是通過發(fā)現(xiàn)數(shù)據(jù)中潛在規(guī)律的一種計(jì)算方法，該法可以進(jìn)行未來預(yù)測(cè)，而無需任何主動(dòng)的人類干預(yù)（在理論上）。2011 年6 月，美國(guó)政府啟動(dòng)了材料基因組計(jì)劃（MGI）［23］，以實(shí)現(xiàn)發(fā)展經(jīng)濟(jì)安全和人類福祉所必需的先進(jìn)材料的愿景，該計(jì)劃描述了一個(gè)材料創(chuàng)新基礎(chǔ)設(shè)施，包括先進(jìn)的計(jì)算、實(shí)驗(yàn)和數(shù)據(jù)信息學(xué)工具，使先進(jìn)材料的發(fā)現(xiàn)、開發(fā)、制造和部署速度至少提高1 倍，而成本僅為目前的一小部分。隨著材料基因組計(jì)劃、高度復(fù)雜的數(shù)據(jù)庫(kù)管理系統(tǒng)（DBMS）的出現(xiàn)，以及機(jī)器學(xué)習(xí)算法和計(jì)算能力的前所未有的進(jìn)步，機(jī)器學(xué)習(xí)已經(jīng)實(shí)現(xiàn)了高度準(zhǔn)確和快速預(yù)測(cè)的模型開發(fā)，這些模型正在加速各種應(yīng)用的優(yōu)質(zhì)材料的識(shí)別和后續(xù)的部署。本文主要以文獻(xiàn)中機(jī)器學(xué)習(xí)在金屬材料力學(xué)性能預(yù)測(cè)方面成功應(yīng)用案例為主，綜述了機(jī)器學(xué)習(xí)在材料力學(xué)性能方面相對(duì)于傳統(tǒng)實(shí)驗(yàn)的研究?jī)?yōu)勢(shì)和對(duì)材料性能的優(yōu)化。

2.1 機(jī)器學(xué)習(xí)對(duì)金屬材料疲勞壽命的預(yù)測(cè)

疲勞壽命是指材料在特定環(huán)境下從使用到失效所經(jīng)歷的壽命。為了測(cè)試材料的可靠性和安全性，通常需要在不同的生產(chǎn)環(huán)境下對(duì)其疲勞壽命進(jìn)行測(cè)量。然而，進(jìn)行大量的疲勞試驗(yàn)，特別是高周疲勞試驗(yàn)，需要耗費(fèi)大量時(shí)間和成本。以前的研究者通常依靠領(lǐng)域經(jīng)驗(yàn)和基于物理的復(fù)雜模型來理解過去幾十年中的因果關(guān)系，這導(dǎo)致實(shí)驗(yàn)測(cè)試的代價(jià)非常高。為了降低制備和實(shí)驗(yàn)的時(shí)間和成本，需要一種有效和高效的方法來生成、管理和利用現(xiàn)有數(shù)據(jù)，以顯著加速疲勞壽命預(yù)測(cè)。機(jī)器學(xué)習(xí)方法基于以往從文獻(xiàn)中獲得的數(shù)據(jù)來預(yù)測(cè)特定材料組合的疲勞壽命，這是一種很有前途的方法。近年來，數(shù)據(jù)驅(qū)動(dòng)的機(jī)器學(xué)習(xí)方法已成功應(yīng)用于材料疲勞研究［24-25］，用機(jī)器學(xué)習(xí)模擬來代替?zhèn)鹘y(tǒng)的實(shí)驗(yàn)研究，得到了非常不錯(cuò)的研究成果。Agrawal 等［8］引用NIMS 公開實(shí)驗(yàn)數(shù)據(jù)庫(kù)的數(shù)據(jù)，著重分別在成分和處理方法上，以及兩個(gè)合并在一起對(duì)鋼的疲勞強(qiáng)度的影響，采用了40 余種機(jī)器學(xué)習(xí)模型來分別對(duì)數(shù)據(jù)進(jìn)行模擬訓(xùn)練，并采用相關(guān)特征方法進(jìn)行特征選取，采用交叉驗(yàn)證方法進(jìn)行驗(yàn)證，最后將得出的結(jié)果進(jìn)行一個(gè)排列并且對(duì)比，得出結(jié)果后找出了其中的最佳預(yù)測(cè)模型，用來指導(dǎo)未來的設(shè)計(jì)工作。Lian 等［26］結(jié)合經(jīng)驗(yàn)公式和數(shù)據(jù)驅(qū)動(dòng)模型來預(yù)測(cè)7 種不同系列的鋁合金疲勞壽命，構(gòu)建了梯度提升回歸機(jī)器學(xué)習(xí)模型，對(duì)7 個(gè)不同系列鋁合金的疲勞壽命進(jìn)行了預(yù)測(cè)，平均相對(duì)誤差為140%，較基線模型有較大提高。實(shí)驗(yàn)結(jié)果成功地證明，經(jīng)驗(yàn)公式和機(jī)器學(xué)習(xí)結(jié)合的優(yōu)點(diǎn)，為疲勞壽命預(yù)測(cè)提供了一種通用的方法，從而縮短了實(shí)驗(yàn)時(shí)間和降低了成本。

通過機(jī)器學(xué)習(xí)技術(shù)，還可以發(fā)現(xiàn)影響材料疲勞壽命的關(guān)鍵因素。Zhou 等［27］從許多可能影響疲勞壽命的特征中確定了5 個(gè)遺傳特征。Luo 等［28］通過機(jī)器學(xué)習(xí)方法，揭示了一系列基于孔隙的特征對(duì)Inconel 718 疲勞壽命的影響。Bao 等［24］發(fā)現(xiàn)，Ti-6Al-4V 合金的疲勞壽命主要由臨界缺陷的幾何特征決定。這些實(shí)例研究為材料的疲勞壽命預(yù)測(cè)取得了一定的成果。

2.2 機(jī)器學(xué)習(xí)對(duì)金屬材料硬度的預(yù)測(cè)

發(fā)現(xiàn)新材料一直是一個(gè)具有挑戰(zhàn)性的任務(wù)，而試錯(cuò)法仍然是最常用的方法之一。為了避免制造和實(shí)驗(yàn)循環(huán)所需的時(shí)間和成本，需要一種有效且高效的方法來生成、管理和利用現(xiàn)有數(shù)據(jù)，以顯著加速新材料的發(fā)現(xiàn)。利用機(jī)器學(xué)習(xí)方法來預(yù)測(cè)特定材料組合的特性，可以基于以前從文獻(xiàn)中獲取的數(shù)據(jù)。機(jī)器學(xué)習(xí)被成功地應(yīng)用于功能材料和先進(jìn)材料中，以探索具有所需性能的新材料組合［29-33］，機(jī)器學(xué)習(xí)框架可以通過關(guān)聯(lián)不同特征和目標(biāo)屬性的相互依賴性來避免耗時(shí)的撞擊和試驗(yàn)周期，并且成功地加快材料的發(fā)現(xiàn)。Masood Chaudry 等［34］從文獻(xiàn)中收集Al-Cu-X（ X：Zn， Zr 等）合金的成分、時(shí)效條件（時(shí)間和溫度）、重要的物理和化學(xué)性能及硬度等數(shù)據(jù)，采用各種機(jī)器學(xué)習(xí)技術(shù)來加速鋁合金的性能改進(jìn)設(shè)計(jì)，以及訓(xùn)練機(jī)器學(xué)習(xí)算法預(yù)測(cè)高硬度鋁合金，通過預(yù)測(cè)不同時(shí)效硬化條件下的鋁合金的硬度時(shí)，證明了所構(gòu)建模型的預(yù)測(cè)精度。Chang 等［10］利用人工神經(jīng)網(wǎng)絡(luò)來預(yù)測(cè)基于非等摩爾AlCoCrFeMnNi 的高熵合金（HEAs）的組成，以達(dá)到預(yù)測(cè)該體系中最高的硬度。

不可否認(rèn)，機(jī)器學(xué)習(xí)可以大大地減少探索新材料所需的實(shí)驗(yàn)和計(jì)算次數(shù)，并縮短先進(jìn)材料的開發(fā)周期。機(jī)器學(xué)習(xí)可以有效地探索未知的成分空間，Yang 等［18］為了改善傳統(tǒng)試錯(cuò)方法的局限性，提出一種基于機(jī)器學(xué)習(xí)的合金設(shè)計(jì)系統(tǒng)（MADS），以便快速提高HEAs 的硬度，高效地發(fā)現(xiàn)具有優(yōu)異性能的HEAs。

2.3 機(jī)器學(xué)習(xí)對(duì)金屬材料屈服強(qiáng)度的預(yù)測(cè)

測(cè)量高溫屈服強(qiáng)度的實(shí)驗(yàn)相當(dāng)昂貴、復(fù)雜且耗時(shí)。然而，機(jī)器學(xué)習(xí)的應(yīng)用主要目的之一是用于替代傳統(tǒng)實(shí)驗(yàn)，從而減少實(shí)驗(yàn)次數(shù)，其不僅可以完全替代實(shí)驗(yàn)過程，還可以替代某些復(fù)雜情況下實(shí)驗(yàn)計(jì)算的某些部分。Du 等［35］采用實(shí)驗(yàn)儀器分析了工藝參數(shù)對(duì)超細(xì)晶Fe-C 合金力學(xué)性能的影響，通過優(yōu)化一種傳統(tǒng)的反向傳播神經(jīng)網(wǎng)絡(luò)（BP）結(jié)構(gòu)，得出最佳模型，結(jié)果表明BP 神經(jīng)網(wǎng)絡(luò)在Fe-C 超細(xì)晶合金力學(xué)性能預(yù)測(cè)方面和其它模型相比，其有很好的優(yōu)越性，誤差僅為4.47%。Ozerdem 等［36］利用梯度下降學(xué)習(xí)算法的反向傳播神經(jīng)網(wǎng)絡(luò)，以C、Si、Mn 含量（質(zhì)量分?jǐn)?shù)）為輸入，以抗拉強(qiáng)度、屈服強(qiáng)度、伸長(zhǎng)率、面積收縮率、硬度為輸出，對(duì)ANN 系統(tǒng)進(jìn)行訓(xùn)練，通過該模型給定的條件成功地預(yù)測(cè)了熱軋非結(jié)果化AISI 10xx 系列碳素鋼的力學(xué)性能。

合金制備過程需要仔細(xì)考慮設(shè)計(jì)成本、復(fù)雜性和合成時(shí)間，以避免獲得不理想的力學(xué)性能的機(jī)會(huì)。在進(jìn)行試錯(cuò)實(shí)驗(yàn)之前，需要一種替代的計(jì)算機(jī)模擬方法來預(yù)測(cè)HEAs 在高溫下的屈服強(qiáng)度。Bhandari等［37］首次采用基于隨機(jī)森林（RF）技術(shù)的機(jī)器學(xué)習(xí)方法，對(duì)高熵合金MoNbTaTiW 和HfMoNbTaTiZr在800 和1 200 ℃下的屈服強(qiáng)度，使用RF 回歸器模型進(jìn)行預(yù)測(cè)，預(yù)測(cè)結(jié)果與實(shí)驗(yàn)報(bào)告一致，表明RF 回歸器模型預(yù)測(cè)HEAs 在所需溫度下的屈服強(qiáng)度具有較高的準(zhǔn)確性。

2.4 機(jī)器學(xué)習(xí)對(duì)金屬材料拉伸性能的預(yù)測(cè)

為了清楚地了解影響材料的抗拉性能的因素，通常需要進(jìn)行大量的試錯(cuò)開發(fā)和研究，因?yàn)椴牧系目估瓘?qiáng)度往往是由多個(gè)元素共同決定的。然而，通過更復(fù)雜的實(shí)驗(yàn)和全面的物理理論計(jì)算來建立模型往往是昂貴且耗時(shí)的。因此，為了減少制備和實(shí)驗(yàn)的時(shí)間和成本，需要建立和發(fā)展拉伸性能預(yù)測(cè)的計(jì)算模型。機(jī)器學(xué)習(xí)是一種很有前途的方法，其可以通過足夠的數(shù)據(jù)和規(guī)則發(fā)現(xiàn)算法，使計(jì)算機(jī)能夠在沒有人工輸入的情況下確定所有潛在的物理定律。Xu 等［38］利用人工神經(jīng)網(wǎng)絡(luò)（ANN）和支持向量機(jī)（SVM）算法，建立兩個(gè)模型，兩種模型在預(yù)測(cè)屈服強(qiáng)度（YS）、極限抗拉強(qiáng)度（UTS）和拉伸伸長(zhǎng)率（EL）方面都取得了較好的準(zhǔn)確性。Mamun 等［39］為了能夠設(shè)計(jì)一種使用壽命較長(zhǎng)的高強(qiáng)度鋼，使用梯度提升機(jī)策劃的實(shí)驗(yàn)數(shù)據(jù)集對(duì)9-12Cr FMA 和奧氏體不銹鋼的蠕變斷裂強(qiáng)度進(jìn)行參數(shù)化，并且完成交叉驗(yàn)證，在相關(guān)系數(shù)方面取得了較高的預(yù)測(cè)性能，無需進(jìn)行額外的綜合拉伸試驗(yàn)或物理理論計(jì)算。Wang 等［40］為了克服傳統(tǒng)物理冶金模型的局限性，將特征選取方法與機(jī)器學(xué)習(xí)相結(jié)合，用于選取高度相關(guān)特征，采用機(jī)器學(xué)習(xí)算法建立了RAFM 鋼屈服強(qiáng)度和總伸長(zhǎng)率預(yù)測(cè)的通用模型，與傳統(tǒng)方法相比，其更具有準(zhǔn)確性和通用性。該預(yù)測(cè)方式在工業(yè)上也有應(yīng)用，Jiang 等［41］為了減少珠光體鋼絲制造過程產(chǎn)生的不利影響，用一種將機(jī)器學(xué)習(xí)與多尺度計(jì)算相結(jié)合的新策略，來建立基于高維、小尺度工業(yè)數(shù)據(jù)集的抗拉強(qiáng)度模型，替代昂貴、耗時(shí)的實(shí)驗(yàn)或物理理論計(jì)算。

2.5 機(jī)器學(xué)習(xí)對(duì)金屬材料力學(xué)性能的優(yōu)化

機(jī)器學(xué)習(xí)不僅可用于材料力學(xué)性能的預(yù)測(cè)，還可用于優(yōu)化和提高材料性能。機(jī)器學(xué)習(xí)可取代冗長(zhǎng)的實(shí)驗(yàn)設(shè)計(jì)，降低成本。最近幾年，機(jī)器學(xué)習(xí)方法越來越多地應(yīng)用于各種鋁合金的設(shè)計(jì)中，以改善其力學(xué)性能和使用性能［42-44，34］。Chen 等［11］制定了主動(dòng)學(xué)習(xí)策略來執(zhí)行材料性能的多目標(biāo)優(yōu)化，主動(dòng)學(xué)習(xí)策略由多目標(biāo)的機(jī)器學(xué)習(xí)預(yù)測(cè)，通過將一組目標(biāo)標(biāo)量化為單個(gè)目標(biāo)的有效采樣及實(shí)驗(yàn)反饋組成。快速優(yōu)化兩步時(shí)效處理參數(shù)來驗(yàn)證設(shè)計(jì)策略，以提高鑄態(tài)ZE62（Mg-6%， Zn-2%）鎂合金。

一個(gè)金屬材料包含多種因素，例如材料的成分、結(jié)構(gòu)、顯微組織和缺陷等。材料的性能是由以上的條件共同耦合決定，幾乎沒有受單一因素的影響。所以，想要通過實(shí)驗(yàn)來研究多種條件對(duì)材料的影響非常困難。使用機(jī)器學(xué)習(xí)則可以很好地解決這個(gè)問題，能更好的找到各種參數(shù)條件和性能之間的潛在關(guān)系。Bai 等［9］利用機(jī)器學(xué)習(xí)方法建立ODS 合金的關(guān)鍵成分與拉伸性能之間的關(guān)系，通過二者之間的相關(guān)性，得到了更高強(qiáng)度和延性的ODS 合金的成分優(yōu)化配比。

Oh 等［45］建立TRIP 鈦合金組成-加工-性能關(guān)系的神經(jīng)網(wǎng)絡(luò)模型，對(duì)Ti-4Al-2Fe-xMn 合金在不同高溫下的UTS 和El 值進(jìn)行了預(yù)測(cè)，利用基于ANN 和TPS 插值方法的等高線圖，根據(jù)Mn 含量和HT 溫度預(yù)測(cè)UTS 和El 值，得到了該合金的優(yōu)異力學(xué)性能。Li 等［16］用基于機(jī)器學(xué)習(xí)的合成和工藝優(yōu)化方法研究了Al-Zn-Mg-Cu 合金體系（7xxx 系列），優(yōu)化后的合金具有較好的成分，使得在原有的合金基礎(chǔ)上性能有了進(jìn)一步提升。Dey 等［12］通過多目標(biāo)優(yōu)化，利用遺傳算法設(shè)計(jì)合金，解決了增加強(qiáng)度和延性目標(biāo)沖突的問題，設(shè)計(jì)出了具有優(yōu)越性能的鋁合金。

3 機(jī)器學(xué)習(xí)的評(píng)價(jià)

3.1 機(jī)器學(xué)習(xí)的不足

機(jī)器學(xué)習(xí)固然為金屬材料的研究開發(fā)上提供了一個(gè)巨大的幫助，使得材料研發(fā)速度有了一個(gè)巨大的提升。但是，任何東西都是存在著缺陷的，機(jī)器學(xué)習(xí)也不例外。表1 列出了關(guān)于機(jī)器學(xué)習(xí)的一些缺陷。

表1 機(jī)器學(xué)習(xí)的缺陷總結(jié)Table 1 Summary of Machine Learning Defects

從表1 可以看出，機(jī)器學(xué)習(xí)雖對(duì)金屬材料力學(xué)性能預(yù)測(cè)有很好地效果，但是表中條件得不到滿足而使得到的預(yù)測(cè)結(jié)果往往會(huì)很差，所以針對(duì)表中的情況，需要盡量的完善這些條件。

3.2 機(jī)器學(xué)習(xí)的優(yōu)化

除了增加數(shù)據(jù)量以提高準(zhǔn)確性以外，對(duì)于一個(gè)良好的機(jī)器學(xué)習(xí)模型，還可以通過優(yōu)化算法以增大數(shù)據(jù)集的數(shù)量。例如：可以通過交叉驗(yàn)證法，在小樣本數(shù)據(jù)集上得出擴(kuò)大訓(xùn)練集樣本數(shù)量，進(jìn)一步提高精度；在機(jī)器學(xué)習(xí)的算法上進(jìn)行改進(jìn)也是可行的，嘗試不同的算法或結(jié)合2 種以上的算法，以提高一定的準(zhǔn)確性。

材料研究領(lǐng)域中存在諸多不確定的參數(shù)，如溫度、濕度和時(shí)間，這些參數(shù)會(huì)影響最終材料的組成和形態(tài)，傳統(tǒng)機(jī)器學(xué)習(xí)在處理相關(guān)特征方面也存在局限性。因此，為了提高預(yù)測(cè)性能，應(yīng)該對(duì)這些可變參數(shù)進(jìn)行預(yù)處理，盡可能選擇可解釋的模型，如邏輯回歸、線性回歸模型等。此外，通過不斷嘗試多種特征選擇方法來去除噪音，選擇與目標(biāo)值關(guān)聯(lián)度高的特征，也可以提高精度。調(diào)試機(jī)器學(xué)習(xí)的超參數(shù)也是一個(gè)有效地方法，對(duì)特定的超參數(shù)進(jìn)行調(diào)整也可以使模型的輸出結(jié)果得到提升。

4 展望

最近幾年，機(jī)器學(xué)習(xí)與材料結(jié)合的成功案例越來越多，尤其是金屬材料，以材料實(shí)驗(yàn)數(shù)據(jù)為基礎(chǔ)的機(jī)器學(xué)習(xí)在材料領(lǐng)域的研究取得了非常顯著的成果，這也說明了機(jī)器學(xué)習(xí)在輔助材料方面展現(xiàn)出了巨大的潛力［46］。機(jī)器學(xué)習(xí)已經(jīng)展示了在預(yù)測(cè)和優(yōu)化材料力學(xué)性能方面的巨大潛力，未來期待機(jī)器學(xué)習(xí)在新材料的設(shè)計(jì)和開發(fā)中發(fā)揮關(guān)鍵作用。

（1）需要開發(fā)更先進(jìn)的機(jī)器學(xué)習(xí)算法，以更好地捕捉材料結(jié)構(gòu)和性能之間的復(fù)雜關(guān)系。這將需要整合不同類型的數(shù)據(jù)，如化學(xué)組成、微觀結(jié)構(gòu)特征和加工條件。此外，可以探索新的數(shù)據(jù)驅(qū)動(dòng)方法，如深度學(xué)習(xí)和基于圖形的方法，以從材料數(shù)據(jù)中提取更有意義和可解釋的特征。

（2）可以利用機(jī)器學(xué)習(xí)來優(yōu)化金屬材料加工參數(shù)，如熱處理和變形條件，以實(shí)現(xiàn)所需的力學(xué)性能。通過使用優(yōu)化算法，如貝葉斯優(yōu)化和遺傳算法，尋找最佳加工條件，以最大化特定力學(xué)性能。

（3）可以將機(jī)器學(xué)習(xí)與多尺度建模相結(jié)合，以提供對(duì)金屬材料力學(xué)行為的更全面理解。通過將原子模擬、中等尺度模型、連續(xù)力學(xué)與機(jī)器學(xué)習(xí)模型相結(jié)合，以精確預(yù)測(cè)多個(gè)長(zhǎng)度尺度上金屬材料的力學(xué)性能。

（4）將機(jī)器學(xué)習(xí)與材料科學(xué)和工程相結(jié)合，可加速開發(fā)具有理想力學(xué)性能的高性能材料的巨大潛力。材料科學(xué)和工程的未來在于將實(shí)驗(yàn)數(shù)據(jù)和機(jī)器學(xué)習(xí)模型結(jié)合起來，創(chuàng)造更高效和成本效益的材料設(shè)計(jì)和開發(fā)方法。

5 結(jié)語(yǔ)

綜述了當(dāng)前金屬材料科學(xué)領(lǐng)域的發(fā)展現(xiàn)狀，并介紹了機(jī)器學(xué)習(xí)在該領(lǐng)域中的應(yīng)用。盡管機(jī)器學(xué)習(xí)方法存在一定不足，但其對(duì)于金屬材料性能預(yù)測(cè)和優(yōu)化的應(yīng)用已經(jīng)取得了一定的成功。因此，金屬材料領(lǐng)域的研究人員應(yīng)該加強(qiáng)專業(yè)知識(shí)積累，不僅要掌握以數(shù)據(jù)為驅(qū)動(dòng)的機(jī)器學(xué)習(xí)方法，更要理解其原理。只有這樣，才能夠更好地利用材料數(shù)據(jù)的機(jī)器學(xué)習(xí)方法來加速預(yù)測(cè)和研發(fā)，從而推動(dòng)金屬材料智能化的發(fā)展。未來，機(jī)器學(xué)習(xí)可能成為材料科學(xué)領(lǐng)域的重要研究方向之一。