基于衍射潜在空间特征空间映射的金属微观结构异质性机器学习表征新方法

本研究针对传统物理离散描述符难以表征增材制造金属多尺度异质性的难题，创新性地提出通过变分自编码器(VAE)和对比学习编码Kikuchi衍射图样，构建潜在空间特征物理映射的新范式。研究团队在锻造和增材制造Inconel 718合金中实现了从纳米级位错胞到宏观晶界的跨尺度异质性可视化，首次通过数据降维表征揭示了增材制造金属特有的位错胞结构（dislocation cells）和化学偏析特征，为加速合金设计和性能预测提供了新型 microstructure genome 研究工具。

　　

金属材料的力学性能本质上受微观尺度塑性变形局部化的控制，而传统物理描述符难以全面表征增材制造（AM）金属中跨尺度的异质性特征。锻造合金的微观结构特征如退火孪晶（annealing twins）和大角度晶界已较为明确，但AM材料因快速凝固形成的位错胞（dislocation cells）、化学偏析等多尺度异质性尚未建立有效表征方法。电子背散射衍射（EBSD）虽能获取Kikuchi衍射图样，但传统物理分析方法仅提取晶体取向等有限信息，90%以上的衍射信息被丢弃。

针对这一挑战，Mathieu Calvat团队在《npj Computational Materials》提出"衍射潜在空间物理映射"新方法。研究创新性地将VAE与对比学习（SimCLR）结合，直接编码480×480像素的Kikuchi图样，通过256维潜在空间实现数据降维1800倍。该方法突破了传统EBSD分析的物理假设限制，在锻造Inconel 718中识别出常规IPF图未能显示的亚微米级退火孪晶（图4B），在AM材料中首次清晰呈现位错胞壁的纳米级化学偏析（图7C）和Laves相颗粒分布（图12-13）。

关键技术包括：1) 构建含9×9大卷积核的编码器-解码器CNN架构（表2），采用带KL散度的L₂损失函数；2) 集成三种噪声增强的对比学习策略提升鲁棒性；3) 对锻造/AM Inconel 718进行1μm-0.1μm步长的EBSD扫描，采集96,000张Kikuchi图样训练模型；4) 应用β-VAE（β=15-50）实现物理特征解耦。

衍射数据编码

VAE架构在256维潜在空间实现Kikuchi图样近乎完美的重建（图8），重建误差主要来自实验噪声。对比学习分支使模型对盐椒噪声等实验干扰具有更强鲁棒性（图3D-E）。值得注意的是，16维编码仅能重建衍射带轮廓，而256维编码可捕捉带间细微对比度变化（图8C），证实高维空间对多物理量耦合信息的存储能力。

潜在空间特征映射

在锻造材料中，112号潜在特征图清晰再现晶粒结构（图4A），26号特征更检测出IPF未显示的纳米级孪晶（图4B）。AM材料中，17号和34号特征图首次揭示位错胞的几何取向变化（图4C-D），而158号特征特异性识别胞壁Nb-rich Laves相（图7C.3）。相比传统sharpness分析（图5B.5），该方法将位错胞检测分辨率提升至100nm（图7A.1）。

潜在空间解耦

增大潜在空间维度有效促进特征解耦：32维架构仅能模糊显示位错胞（图9A），256维架构则清晰分离晶体取向（13号特征）与位错密度（34号特征）信息（图6）。β-VAE（β=15）在保持主要衍射带重建的同时，使随机生成图样出现物理合理性分化（图10B.3），表明潜在空间开始形成物理意义明确的分区。

该研究开创了"材料空间智能"新范式，其重要意义在于：1) 突破物理模型先验限制，首次实现AM金属多尺度异质性的全面表征；2) 通过衍射数据编码将微观结构信息压缩至256维向量，为机器学习预测材料性能提供新数据类型；3) 潜在空间特征图与BSE/EDS的关联分析（图12-13）证明该方法可同时捕获化学和晶体缺陷信息。研究揭示的位错胞-化学偏析协同效应（图7C.3）为设计高强韧AM合金提供了新视角，而建立的衍射图样-潜在空间双向映射关系，则为逆向设计微观结构开辟了新途径。