AlloyGPT：基于生成式语言模型的端到端增材制造合金设计与性能预测新范式

为解决增材制造合金成分-结构-性能关系复杂、设计空间巨大的挑战，研究人员开发了生成式合金专用语言模型AlloyGPT。该模型通过将物理数据转换为结构化文本，实现了正向性能预测（R2=0.86-0.99）和逆向成分设计的统一框架，能生成满足特定性能的多样化合金方案，为加速高性能合金发现提供了新途径。

　　

随着航空航天、能源装备等领域对高性能结构合金需求的不断提升，传统合金设计方法面临巨大挑战。增材制造技术虽然能够实现 voxel 级别的成分调控，但其巨大的设计空间使得实验试错成本高昂。更复杂的是，新型多主元合金和高熵合金的出现进一步扩展了成分选择范围，使得传统经验方法难以有效探索这些复杂体系。与此同时，尽管人工智能技术在蛋白质结构预测等领域取得突破，但在材料科学领域，特别是对于机械性能数据稀缺的结构合金，如何建立准确高效的成分-性能预测模型仍是一个难题。

在这项发表于《npj Computational Materials》的研究中，研究人员创新性地提出了 AlloyGPT——一个专门针对合金设计的生成式语言模型。该研究团队将丰富的物理数据转换为结构化的合金专用语言，通过训练基于注意力机制的大型语言模型，实现了成分-结构-性能关系的深度学习。

研究采用了几项关键技术方法：首先构建了包含 523,599 种铝基合金成分的 CALPHAD 热力学计算数据库，涵盖五种合金元素（Ni、Er、Zr、Y、Yb）在不同工艺条件下的相组成和性能数据；其次开发了字符-词汇混合的分词器，专门针对元素符号和科学计数法数值进行优化；然后采用基于 GPT-2 架构的 Transformer 模型，包含 36 层多头注意力层和 4.53 亿参数；最后建立了统一的文本表示格式，将正向预测和逆向设计任务统一为句子补全问题。

学习成分-结构-性能关系

研究人员首先测试了模型在正向预测任务中的表现。当给定合金成分时，AlloyGPT 能够准确预测在快速凝固（as-built）和完全时效（aged）条件下的相组成和性能。结果显示，模型对 L1₂ 相含量和热裂纹敏感性（HCS）的预测精度达到 R²>0.95。特别值得注意的是，模型表现出明显的长度依赖性——预测精度随着输出序列长度的增加而略有下降，这符合自回归模型的特性。通过提供更长的输入提示（如同时提供成分和结构信息），可以显著提高性能预测的准确性。

设计满足目标性能的铝基合金

在逆向设计任务中，AlloyGPT 展现了其独特优势。当给定性能目标时，模型能够生成多种满足要求的合金成分。研究发现，当同时指定性能和组织结构时（PS-to-C 任务），模型能够准确复现测试集中已知的成分（R²>0.9）。然而当仅给定性能目标时（P-to-SC 任务），模型会生成与已知成分不同但同样满足性能要求的新成分，体现了其在解决退化问题（多个成分对应同一性能）方面的能力。

模型鲁棒性与可调性分析

研究人员测试了模型在训练域外的表现，发现当成分逐渐远离训练域时，预测误差呈现稳定渐进的增长趋势，而非突然失效。通过调节预测温度参数 T_p，可以在设计多样性和准确性之间进行权衡：T_p≤1 时能够保持高设计精度同时获得成分多样性；T_p>1 时虽然能进一步增加多样性，但需要额外的精度筛选。

模型推理机制解析

通过分析注意力权重，研究人员发现了模型推理过程中与物理规律一致的模式。例如在预测 L1₂ 相含量时，模型会特别关注 Zr、Yb、Er、Y 等元素的信息，这与这些元素能够形成 L1₂ 强化相的物理事实一致。输入显著性分析进一步显示，模型在预测数值时会重点关注对相应性能影响最大的元素，如 Yb 元素对凝固温度范围（freezing range）和裂纹敏感性系数（CSC）具有最强的影响。

与传统方法的比较

与传统的 XGBoost 等机器学习方法相比，AlloyGPT 在保持相当预测精度的同时，具有几个独特优势：统一模型同时处理正向预测和逆向设计任务；天然处理退化问题，能自动发现多个等效解决方案；端到端生成，避免了传统优化方法所需的迭代搜索过程。

讨论与展望

这项研究展示了语言建模在合金研究中的巨大潜力。AlloyGPT 不仅能够准确预测合金性能，还能生成多样化的合金设计方案，特别适合解决增材制造中的成分优化问题。模型的概率特性使其能够自然处理多解问题，而注意力机制提供的可解释性为理解合金物理提供了新的视角。

研究的意义不仅在于提出了一个新的合金设计工具，更在于建立了一个统一的框架来处理材料科学中的复杂关系。通过将物理数据转换为机器可读的语言，这项工作为构建材料科学的基础模型奠定了基础。未来，通过纳入更多合金体系、工艺参数和实验数据，AlloyGPT 有望发展成为真正的合金设计基础模型，加速新材料的发现和应用。

特别值得关注的是，该方法在处理梯度材料和多材料设计方面的潜力。增材制造能够实现成分和结构的空间梯度分布，而 AlloyGPT 的语言框架天然适合描述和设计这种复杂体系。随着数据集规模的扩大和模型能力的提升，这种基于语言模型的方法有望在更广泛的材料体系中发挥作用，最终实现材料设计的自动化和智能化。

这项研究开辟了材料研究的新方向，展示了生成式人工智能在解决复杂科学问题中的独特价值。通过将物理直觉与数据驱动方法相结合，AlloyGPT 为加速材料发现、降低研发成本提供了有效途径，有望在未来的材料设计和制造中发挥重要作用。