统一成分与工艺设计：一种用于发现高性能铜合金的异质图神经网络

《Advanced Science》：Unifying Composition and Process Design: A Heterogeneous Graph Neural Network for Discovering High-Performance Cu Alloys

　　

对可持续发展至关重要的铜合金性能取决于其加工路径。然而，这些路径的复杂性与可变性与要求固定输入结构的传统机器学习模型并不相容，从而构成了人工智能（AI）驱动材料设计的障碍。为应对这一挑战，研究人员引入了一种异质图神经网络（HGNN），将包括元素组成与工艺步骤在内的材料系统建模为统一图结构。该图集成了元素节点与工艺节点，并通过可学习边表征成分与工艺步骤之间复杂的关联关系。该方法能够从本征元素性质出发直接建模，天然适配变长度工艺路径，并绕开人工特征工程。其能够有效捕捉成分与工艺之间的复杂耦合，而不受数据稀疏或维度膨胀的限制。应用这一框架后，研究人员设计并通过实验验证了一种新型铜合金 Cu-Cr-Zr-Y-La-Mg-Zn 及其定制工艺，实现了屈服强度 710 MPa、抗拉强度 726 MPa 和电导率 75% IACS（国际退火铜标准，International Annealed Copper Standard）的优异组合性能。该研究为材料发现提出了一种新路径，为具有复杂制造历史的材料在成分与工艺协同优化方面提供了可扩展解决方案。

该论文发表于《Advanced Science》，聚焦于高强高导铜合金的智能设计问题。研究背景在于，铜合金作为电气化基础设施核心材料，其强度与电导率直接关系到交通轻量化、能源传输损耗和绿色低碳转型。然而，铜合金中强度与电导率之间长期存在显著权衡，这一矛盾不仅受合金成分影响，也强烈依赖热机械处理（TMT，热-机械处理）路径。现有人工智能与机器学习方法虽然已广泛用于材料设计，但在涉及可变长度、多阶段、可重构工艺序列时，通常要求固定结构输入，因而不得不采用删减数据或零填充等方式处理工艺路径。这会造成高维稀疏、维数灾难以及物理信息失真，严重限制模型对“成分—工艺—性能”耦合关系的真实学习能力。因此，开展一种能够统一表征合金成分和复杂加工历史的新方法，对于推动高性能铜合金的材料智能发现具有重要意义。

针对上述问题，研究人员提出了一种异质图神经网络（HGNN）框架，将合金元素组成、元素本征物性以及工艺步骤统一表示为图结构中的不同节点，并通过元素—元素、元素—工艺、工艺—工艺边建立多层次关联。基于该框架，研究人员对 23 个铜合金体系、1800 余条数据进行建模，实现了对硬度与电导率的联合预测，并据此开展高性能 Cu 合金的多目标协同设计。最终，研究人员设计出新型 Cu-Cr-Zr-Y-La-Mg-Zn 合金及其多阶段 TMT 路径，并通过实验验证获得了 710 MPa 屈服强度、726 MPa 抗拉强度和 75% IACS 电导率的优异综合性能。研究表明，该图模型能够突破固定工艺路径建模限制，在保留复杂制造历史真实性的同时，实现成分与工艺的一体化优化。

研究所采用的关键技术方法主要包括以下几个方面。首先，基于来源于 23 个铜合金体系的 1800 余条样本数据，构建包含元素节点与工艺节点的异质图数据结构。其次，采用由多层图注意力卷积（GATConv）组成的 HGNN 模型，对元素本征物理特征、成分质量分数及多阶段热机械处理参数进行联合学习。再次，结合相关性分析、递归特征消除、递归特征添加和穷举筛选，完成关键物理描述符筛选与模型可解释性分析。最后，通过合金制备、性能测试以及透射电子显微镜（TEM）和高角环形暗场扫描透射电镜（HAADF-STEM）表征，对模型预测结果进行实验验证。

在“2.1 Heterogeneous Graph Learning Model Workflow”部分，研究人员首先建立了异质图学习工作流。该流程包括数据准备、模型构建、模型优化与特征筛选、模型解释以及实验验证五个环节。数据层面整合了三类信息：一是包含 16 种合金元素的化学成分，二是各元素 75 项基础物理性质，三是塑性变形和热处理等工艺参数。研究人员通过严格缺失值过滤与结合四分位距和 Z-score 的双重异常值清洗，提高了数据可靠性。随后，研究人员将不同成分与不同工艺路径统一映射为异质图，其中元素节点携带质量分数与物理特征，工艺节点表征处理步骤及参数，节点之间通过双向和有向边连接，以捕捉元素间相互作用、成分对工艺的影响以及工艺顺序关系。由于数据集中硬度数据明显多于屈服强度数据，且铜合金硬度与屈服强度存在可靠相关性，因此研究选择硬度和电导率作为模型预测目标。这一部分的核心结论是：异质图表示能够有效承载复杂、变长度的铜合金成分—工艺信息，为后续性能预测与设计提供统一数据基础。

在“2.2 Feature Selection and Interpretability”部分，研究人员围绕元素物理特征展开特征筛选与解释分析。初始数据包含 75 个元素物理描述符，但分析发现其中存在明显多重共线性，特别是多个特征之间相关系数大于 0.95。经初步相关性筛查后，特征数降至 57 个。随后，研究人员采用递归特征消除、递归特征添加和穷举搜索相结合的策略，以均方误差（MSE）为准则进一步优化特征组合。结果表明，模型最优时仅需 6 个关键特征即可获得最佳预测性能，分别为原子浓度、原子环境数、电子亲和能、质量衰减系数、有效核电荷和杨氏模量。进一步的训练过程分析显示，模型对硬度和电导率的特征作用方向并非简单拟合，而是在训练中逐步收敛到符合物理规律的关系。例如，对硬度而言，杨氏模量、质量衰减系数和电子亲和能表现出稳定正效应，而 Cu 质量分数表现为负效应；对电导率而言，模型最终修正了初期偏差，识别出 Cu 含量的显著正作用及部分特征的负相关作用。这说明模型具备学习真实材料规律的能力。

在“2.3 Model Interpretability Analysis and Rational Alloy Design Validation”部分，研究人员系统解析了不同成分特征与工艺参数对性能的影响，并据此开展新合金设计。首先，在不同代表性二元、三元、四元及五元铜合金体系中，研究人员考察了关键物理特征对硬度和电导率的贡献。结果表明，Cu 质量分数、杨氏模量、质量衰减系数和电子亲和能是决定硬度的重要因素；其中 Cu 含量升高通常降低硬度，而较高杨氏模量和较高质量衰减系数倾向于提升硬度。对于电导率，较高 Cu 质量分数始终有利，而电子亲和能与杨氏模量通常表现为负相关，质量衰减系数则表现为正相关。这一分析揭示了铜合金强度—导电性权衡的物理来源。

随后，研究人员进一步分析了热机械处理对性能的调控机制。基于 23 个合金体系中 11 类工艺参数和 10 类典型工艺路径，研究表明，一次时效温度与时间、二次冷轧、二次时效温度与时间以及三次冷轧是影响性能的关键工艺因素。比较不同工艺路径后，研究人员得出：固溶处理后接冷轧再时效的路径优于直接时效、冷轧后简单时效、固溶后单次时效等替代顺序；多级 TMT 的综合性能优于单级 TMT。特别是时效处理对电导率改善作用显著，而二次冷轧与二次时效能够进一步提高强度并兼顾导电性。此外，固溶处理作为初始步骤不可或缺，因为其与合金元素间存在显著耦合效应，并显著提高后续性能潜力。这一部分证明，模型不仅能够识别关键工艺参数，还能解析工艺顺序的重要性。

在同一部分后段，研究人员依据模型解释结果对 Cu-Cr 合金中不同合金元素的作用进行了总体映射，并划分出高硬度-高导电（HH-HC）、高硬度-低导电、低硬度-高导电和低硬度-低导电四类性能区域。结果显示，La、Y、Zr、Ag、Mg 和 Zn 有助于实现高硬度-高导电协同，而 Ni、Si、Co 和 Ce 虽可强化但明显损害导电性。基于这一规律，研究人员在排除高成本 Ag 后，从 16384 种潜在组合中锁定了 Cu-Cr-Zr-Y-La-Mg-Zn 体系，并进一步在 3125 种 Cu-0.5Cr-xZr-yY-zLa-wMg-vZn 组成组合中开展模型预测。结合文献约束与 Cr 在 Cu 基体中的固溶度信息，研究人员制备了 4 种候选合金并比较其硬度×电导率值，最终确定 Cu-0.5Cr-0.1 M 为最优，其中 M 表示 Zr、Y、La、Mg、Zn 元素组。针对该合金，研究人员进一步优化了多级 TMT 工艺，实验与预测均表明在第 3 级 TMT 后获得峰值综合性能，最终实现 700–725 MPa 屈服强度、710–740 MPa 抗拉强度和 73%–76% IACS 电导率。这部分表明，模型具有直接指导新合金设计和工艺优化的实用能力。

在“2.4 Model Mechanistic Validation of Designed Alloys”部分，研究人员通过微观组织表征验证模型优化合金优异性能的结构起源。TEM 结果显示，该合金形成了层级化微观组织，包括细小局部再结晶晶粒、未再结晶区域中的高密度位错网络，以及基体中均匀弥散分布的纳米析出物。HAADF-STEM、快速傅里叶变换（FFT）和能量色散 X 射线谱（EDS）分析表明，基体中存在两类析出相：一类为尺寸约 2–3 nm、与面心立方（FCC）基体完全共格的富 Cr 超细析出物；另一类为含 Cu、La、Y 元素的六方结构纳米析出相，确认为 Cu₅(Y, La)。其中，Cu₅(Y, La) 的发现被认为是 Cu-Cr 基合金加工空间中的新发现。研究人员指出，该体系中超细 Cr 析出物较已报道尺寸进一步减小，而 Cu₅(Y, La) 强化相、细化晶粒和高密度位错网络共同构成多尺度协同强化结构，通过析出强化、晶界强化和位错强化共同提升力学性能。同时，析出充分促进溶质贫化，减少电子散射，从而显著改善导电性。最终，该合金获得 710 MPa 屈服强度、726 MPa 抗拉强度和 75% IACS 电导率，其综合性能明显优于传统 TMT 路线制备的现有 Cu 基合金体系。

在讨论部分，论文重点比较了 HGNN 与传统机器学习方法的差异及优势。研究指出，传统模型由于依赖固定长度输入，面对异质且可变的工艺路径时只能通过删减样本或零填充来适配，这会造成数据浪费、高维稀疏以及物理意义弱化，难以捕捉元素—元素、元素—工艺和工艺—工艺之间的高阶动态相互作用。相比之下，HGNN 通过异质图结构统一编码合金成分与加工顺序，保留了节点类型差异和工艺路径拓扑信息，完整利用了 1800 余条异质样本。与 BRR、ElasticNet、SVR、GBR、RF、DTR、KNN、ANN 以及 LSTM 等基线模型的比较表明，该模型不仅预测精度更高，而且能够更好地遵循铜合金热机械处理中的物理演化规律，避免出现违反基本物理规律的预测趋势。进一步地，模型揭示了控制铜合金强度—导电性权衡的核心描述符为杨氏模量、质量衰减系数和电子亲和能，并指出它们之间并非简单线性叠加，而是与具体工艺路径耦合形成复杂协同效应。讨论部分还强调，多阶段 TMT 通过促进析出、细化晶粒和增加位错密度，有助于构建兼具高强度和高导电性的多尺度组织。整体而言，研究证明，基于统一异质图网络的成分—工艺协同设计策略，能够有效突破传统合金设计中的性能权衡瓶颈。

研究结论部分可译为：总之，研究人员开发了一种 HGNN，用于解决动态 TMT 建模中固有的维度复杂性与数据稀疏问题。借助该 HGNN，研究人员识别出杨氏模量、质量衰减系数和电子亲和能是支配铜合金强度—导电性权衡的三个关键物理描述符。该方法解析了关键的成分—工艺关系，从而实现了新型 Cu-Cr-Zr-Y-La-Mg-Zn 合金及其优化多级 TMT 路线的策略性协同设计。实验验证证实，该合金形成了高度理想的多尺度微观组织特征，包括超细 Cr 纳米析出物（2–3 nm）、新型强化相 Cu₅(Y, La) 以及细化晶粒。在析出强化、晶界强化和位错强化的协同作用下，该合金实现了屈服强度 710 MPa、抗拉强度 726 MPa 和电导率 75% IACS 的优异组合性能。该研究表明，将 HGNN 应用于合金成分与加工路径的联合表征，为加速下一代高性能材料开发提供了一种有效策略。