综述：深度学习在金属材料创新中的应用：关于微观结构分析、性能预测及逆向设计的综合综述

《Journal of Materials Science & Technology》：Deep learning-driven innovation in metallic materials: A comprehensive review on microstructure analysis, property prediction, and inverse design

本文系统综述了深度学习（DL）在结构金属材料研发中的创新应用，基于PSPP框架分析其三个关键阶段：1）微观结构自动化分析与三维重构；2）融合多模态数据与物理模型的性能预测；3）面向多目标优化的逆向设计。研究揭示了DL在突破传统方法局限、提升高通量分析效率方面的突破，同时指出黑箱特性、小样本泛化及跨领域整合等瓶颈问题，并提出构建物理驱动型智能闭环平台的未来方向。

　　

盛超宇|秦旭|王庆航|杨华宝|柴彦夫|夏大彪|江斌|金亨燮

扬州大学机械工程学院，中国扬州225127

摘要

数据驱动的范式正在彻底改变金属材料研究。本综述总结了深度学习（DL）如何在“工艺-结构-性能-性能”（Process-Structure-Property-Performance，简称PSPP）框架的指导下，改变创新链。我们分析了DL在三个相互关联阶段中的作用：（1）微观结构分析，DL实现了高通量量化的自动化，并朝着生成性的2D到3D微观结构重建发展，以支持数字孪生的模拟；（2）性能预测，模型从单模态相关性发展到融合异构数据（图像、光谱、文本）与力学模拟的多模态框架，用于预测机械、疲劳和腐蚀行为；（3）逆向设计，从多目标驱动的最优成分搜索发展到在高维工艺-结构-性能空间中的微观结构生成，从而生成物理上一致的蓝图。我们重点讨论了持续存在的瓶颈问题，如“黑箱”性质、小样本泛化能力和集成差距。最后，我们提出了一条通往基于物理的架构和集成自主平台的路线图，以实现智能的、闭环的材料发现。这项工作为结构金属材料提供了聚焦的视角，明确指出了从自动化表征到可靠设计的路径。

引言

先进金属材料的研发从根本上受到“工艺-结构-性能-性能”（PSPP）范式的指导，这是材料科学中的一个核心概念，它将设计定义为在这条链中建立定量、可逆的链接[1]。Olson在分层结构材料的计算设计方面的开创性工作为基于系统的方法奠定了概念基础，将热力学、动力学和力学模型整合到一个迭代设计循环中[2,3]。这一愿景由于“材料基因组计划”（Materials Genome Initiative，简称MGI）及相关努力（如分层材料设计中心CHiMaD的工作）而得到了显著加速，这些努力提倡高通量计算、实验数据和信息学的结合，以缩短材料开发时间[4,5]。在这种数据驱动的“第四范式”中，人工智能（AI）在映射复杂的PSPP关系方面表现出了强大的能力，其在合金合成和性能预测方面的应用展示了其潜力[[6], [7], [8], [9], [10], [11]]。

AI指的是开发能够模仿人类智能的机器和算法，例如通过优化动作来实现特定目标。机器学习（ML）作为AI的一个分支，使系统能够从给定的数据集中自主学习（如在棋类游戏、社交网络推荐等中），而无需明确编程。深度学习（DL）属于机器学习的范畴，它受到生物大脑结构的启发，采用多层神经网络来解决机器学习任务。图1展示了AI、ML和DL之间的层次关系，并展示了深度学习在材料科学和工程领域的几个关键应用领域[12]。

DL在解码高维、多模态的材料数据方面提供了前所未有的能力——从显微照片和光谱到原子图谱——并且在特征设计中需要极少的人工干预。尽管已有许多优秀的综述广泛探讨了DL在材料科学中的应用[6,12,13]，或者专注于特定方面，如相图的潜力[14]或特定合金系统的分割[15,16]，但专门系统地综合DL在整个金属特定PSPP链中的作用（从自动化的微观结构分析，到多模态性能预测，再到生成性逆向设计）的研究还相对缺乏。现有的综述要么涵盖了所有材料类别，从而淡化了对于金属系统独特挑战的讨论（例如多晶各向异性[17]、复杂的相变[18]），要么只关注单一子任务。随着该领域进入指数级增长阶段，从概念验证研究转向集成化、物理感知和应用就绪的框架，这一差距尤为突出。

本综述旨在通过提供针对结构金属材料的DL应用的专注、批判性分析来填补这一空白。我们明确将研究范围限制在金属材料上，以深入探讨特定领域的挑战，例如处理等轴与层状微观结构、预测多晶体的疲劳裂纹起始，或设计强度-延展性平衡。我们的讨论结构遵循PSPP设计逻辑：（1）微观结构分析：我们探讨了DL如何超越传统的图像分析，实现颗粒、边界和相的高通量、稳健量化，特别关注2D到3D微观结构生成和重建的新技术。（2）性能预测：我们研究了从单模态模型到融合图像、光谱和文本的多模态框架的演变，强调将微观力学原理和有限元方法（FEM）模拟结合起来，以提高对机械、疲劳和腐蚀性能的预测能力。（3）逆向设计：我们回顾了从直接的性能-成分映射到包含工艺导向设计和多目标优化的生成性闭环系统的转变，突出了在整个PSPP景观中的工作流程。

通过综合这一流程中的进展，我们识别出了一些趋同趋势——如融合物理的神经网络、跨领域迁移学习和多尺度数据融合——以及持续的瓶颈问题。我们不仅总结了算法，还提出了一条前瞻性的路线图，强调了关闭工艺控制、结构实现和性能验证之间的循环的必要性，从而将基于计算的创新转化为实际的合金应用。因此，本综述既是一个系统的技术参考，也是研究人员利用DL进行下一代金属材料目标设计的战略指南。

部分摘录

模型范式和独特挑战

将DL应用于金属材料不仅仅是通用算法的转移，而是由金属材料的独特特性驱动的领域特定适应：多尺度层次结构（原子、沉淀物、颗粒和相）、复杂的非线性物理（塑性、相变和损伤），以及经常数据有限和多模态的实验环境。本节总结了在

DL在微观结构分析中的应用：从图像分割到定量3D描述符

对微观结构的准确高效量化——PSPP链中的“S”部分——是建立稳健的工艺-结构和结构-性能链接的基础步骤。传统的显微照片分析依赖于手动阈值设定或基于规则的算法，这些方法具有主观性、低通量，并且常常在先进金属系统中遇到复杂、低对比度的特征时失效[56]。DL通过提供自动化、可泛化的工具，从根本上改变了这一领域

DL在性能预测中的应用：从相关学习到机制融合的智能进化

性能预测是连接PSPP链中“S”和“P”的核心关系。对于结构金属材料而言，它们的关键性能（如机械强度、疲劳寿命和耐腐蚀性）本质上是微观结构对外部场的宏观响应，受多尺度、非线性物理化学过程的支配。DL通过解码高维和复杂的“结构-性能”映射，提供了一条克服这些限制的新途径

DL在逆向设计中的应用：多目标驱动的最优成分搜索和微观结构生成

逆向设计代表了“按设计制造材料”愿景的最终实现。其核心在于逆转PSPP链中的因果关系。它反向求解满足要求的材料成分、微观结构甚至工艺路线。传统的“试错”方法或基于规则的搜索在庞大、高维的材料空间中效率低下。本节旨在证明DL驱动的逆向设计正在不断发展

前景：迈向集成物理、数据和自主实验的闭环材料智能

尽管DL在金属材料开发的各个阶段（包括微观结构分析、性能预测和逆向设计）都展示了变革潜力，但将这些孤立的成功转化为工程就绪、高可靠性和完整的PSPP解决方案仍面临系统性瓶颈。这些瓶颈包括模型可解释性不足和物理一致性差、在小样本和跨领域条件下的泛化能力弱等问题

结论

本综述系统总结了深度学习在金属材料研究和开发中的应用进展。遵循PSPP的内在逻辑，详细阐述了DL在三个关键阶段引发的范式转变：微观结构分析、性能预测和逆向设计。主要结论如下：

(1)

在微观结构分析方面，DL已经实现了从手动阈值设定到自动化、高通量量化的飞跃。

CRediT作者贡献声明

盛超宇：撰写——原始草稿、方法论、研究、形式分析、数据管理、概念化。秦旭：撰写——原始草稿、方法论、研究、形式分析、数据管理、概念化。王庆航：撰写——原始草稿、方法论、研究、资金获取、形式分析、数据管理、概念化。杨华宝：撰写与编辑、方法论、研究、形式分析、数据管理、概念化。

利益冲突声明

作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文报告的工作。

致谢

本研究得到了国家自然科学基金（编号52204407和52304398）、江苏省自然科学基金（编号BK20220595）以及韩国国家研究基金会（编号NRF-2022R1A5A1030054）的资助。