逆向设计闭环框架：异质结构材料的动态训练与智能优化

《Advanced Science》：A Closed-Loop Framework for Inverse Design: Dynamic Training and Intelligent Optimization for Heterostructured Materials

　　

数十年来，异质结构材料（heterostructured materials）因其卓越的力学和物理性能吸引了广泛的研究兴趣。然而，通过试错实验和模拟方法探索巨大的设计空间以解决强度与韧性之间的固有权衡，需要耗费大量时间和经济成本。在此，研究人员提出了一种全面的端到端科学机器学习框架，该框架集成了一个用于正向预测的深度学习模型（具有持续学习的反向传播神经网络，Back-Propagation Neural Network with Continual Learning, BPNN-CL）和一个用于逆向优化的优化算法（具有分区监测和混沌扰动的非支配排序遗传算法II，NSGA-II with Partition Monitoring and Chaotic Perturbation, NSGA-II-PMCP），并以金属基复合材料作为代表性异质结构材料展示了其有效性。使用BPNN-CL进行正向预测，大多数实验结果误差在10%以内，并且与六种传统机器学习方法相比，弹性模量测试数据集的平均绝对百分比误差（Mean Absolute Percentage Error, MAPE）降低了超过14.9%。与传统方法（例如NSGA-II、贝叶斯优化等）相比，NSGA-II-PMCP能够实现具有更强泛化能力和更高效率的逆向设计，并保持对多种材料体系和性能的广泛适用性。这项工作为异质结构材料设计建立了一个统一平台，当与3D打印等新兴尖端制造技术相结合时，提供了一种易于扩展的方法来加速多种先进异质结构材料的开发。

**论文解读：基于闭环机器学习的异质结构材料逆向设计框架**

**研究背景与问题**

异质结构材料（heterostructured materials, HS）因其优异的力学性能在自然界中普遍存在，并在工程结构中有广泛应用，其中异质结构金属基复合材料（heterostructured metal matrix composites, HSMMCs）因其低密度、高比强度和高比模量在航空航天和汽车领域前景广阔。然而，这类材料的内在强度-韧性权衡（strength-toughness trade-off）严重阻碍了其大规模应用。克服这一挑战需要建立精确的结构-性能关系，但巨大的设计空间使得传统试错方法不切实际。解析模型（如Eshelby夹杂模型、Griffith断裂准则）仅提供过度简化的物理见解，而高保真数值方法（如相场模拟、有限元分析）虽能捕捉关键物理细节，但计算成本极高。幸运的是，机器学习（machine learning, ML）的进步为解决这些问题提供了可行途径。当前ML辅助逆向设计框架包含正向预测（结构→性能）和逆向优化（性能→最优结构）两个关键组成部分，但现有模型在动态训练能力和避免灾难性遗忘方面存在局限，同时优化算法易陷入局部最优。因此，研究人员提出了一种创新的端到端逆向设计框架，旨在克服上述局限性。

**研究内容与结论**

研究人员提出并验证了一个集成了BPNN-CL（具有持续学习的反向传播神经网络）和NSGA-II-PMCP（具有分区监测和混沌扰动的NSGA-II）的闭环逆向设计框架。以颗粒增强铝（Al）基复合材料（particle-reinforced aluminum matrix composites, PRAMCs）作为代表性异质结构系统，实验表明该框架在正向预测中实现了优异的精度（抗拉强度R2>0.98，韧性R2>0.94），且弹性模量测试集MAPE比六种传统方法降低至少14.9%；在逆向优化中，NSGA-II-PMCP的超体积（hypervolume, HV）相比标准NSGA-II提高了68.95%，帕累托解集显著优于贝叶斯优化，并大幅缩短了计算时间。该研究成果发表在《Advanced Science》上，为加速开发定制化高性能异质结构材料提供了统一平台。

**主要关键技术方法**

研究人员采用以下关键技术：1）通过Python和Neper生成微结构数据集，并利用Abaqus进行位移控制单轴拉伸有限元模拟（finite element analysis, FEA），获得抗拉强度（UTS）、韧性（Kt）和弹性模量（E）等性能数据；2）应用Mantel检验、随机森林回归（RFR）和SHAP（Shapley Additive ExPlanations）进行描述符筛选，识别关键特征；3）构建BPNN-CL正向预测模型，通过预训练和两个持续学习阶段实现动态训练并缓解灾难性遗忘；4）开发NSGA-II-PMCP逆向优化算法，集成分区监测、混沌扰动和精英保留机制，以BPNN-CL为代理模型进行多目标优化；5）通过粉末冶金工艺制备SiCp/Al2014和SiCp/Al6061复合材料进行实验验证，使用SEM、EDS、HRTEM和XRD进行微观结构表征。

**研究结果**

**2.1 异质结构材料逆向设计框架**：研究人员实现了一个包含数据集生成、正向预测和逆向优化的逆向设计框架。BPNN-CL通过预训练和两个持续学习阶段建立，表现出优于主流机器学习基线的预测精度。NSGA-II-PMCP通过混沌扰动、分区监测和精英保留获得更宽的帕累托覆盖范围和更快的收敛速度。

**2.2 HSMMCs微结构与数据集**：研究人员构建了包含2718个HSMMC样本的数据集，并定义了材料描述符和结构描述符。不同铝基合金（Al2014、Al2024、Al6061、Al7075）的HSMMCs多构型断裂分析表明，力学性能源于材料属性与空间特征的非线性相互作用。

**2.3 描述符筛选**：通过Mantel检验发现，UTS和Kt与基体断裂应变和硬化指数n呈强负相关，与屈服强度A和硬化模量B呈正相关；E主要受增强体体积分数控制。RFR结合SHAP分析表明，屈服强度A和硬化指数n贡献最大，基体弹性模量和Al₄Si₃比值的贡献可忽略。

**2.4 BPNN-CL正向预测**：BPNN-CL通过持续学习使第二阶段收敛速度比预训练快约83.3%。与七种传统机器学习方法相比，BPNN-CL在几乎所有指标上均表现最优，弹性模量测试集MAPE降低至少14.9%，验证集R²提高3.83%以上。与文献实验值对比，多数UTS和E预测误差在±10%以内，展现出良好的泛化能力。

**2.5 NSGA-II-PMCP逆向优化**：NSGA-II-PMCP通过分区监测聚焦高梯度区域，混沌扰动保持种群多样性，使Al7075基PRAMCs的HV相比标准NSGA-II提高68.95%。在Al2014、Al6061和Al7075三种基体体系中，NSGA-II-PMCP均获得更宽、更高质量的帕累托前沿。FEA验证显示，UTS误差均在10%以内，Kt误差接近10%，证实了框架的可靠性。

**2.6 NSGA-II-PMCP逆向设计**：针对三种铝基复合材料指定目标性能，NSGA-II-PMCP预测的微结构参数经FEA验证，UTS误差均在11%以内，Kt误差大多在可接受范围。分析表明，逆向设计存在非唯一性，即相近力学性能可由不同微结构设计实现，这为工程设计提供了灵活性。

**2.7 实验验证**：制备的SiCp/Al2014和SiCp/Al6061复合材料微观结构表征显示无明显缺陷。SiCp/Al6061实验强度比优化值高17.7%，韧性高27.9%；SiCp/Al2014实验强度比优化值低5.8%，但韧性高7.4%。总体结果与优化预测合理一致，验证了框架的实用性。

**总结与讨论**

本研究建立了一个整合BPNN-CL和NSGA-II-PMCP的先进框架，用于不同HSMMCs的逆向设计。在预测方面，UTS和Kt的R²分别超过0.98和0.94；与七种主流静态方法相比，BPNN-CL始终最优。外部实验验证显示，大多数UTS和E预测在报告值的±10%以内，即使对于训练集中未出现的基体也表现出有意义的泛化能力。在逆向探索方面，Al2014、Al6061和Al7075基PRAMCs的优化UTS-Kt帕累托前沿均优于贝叶斯优化，其中Al7075基PRAMCs的HV比标准NSGA-II高68.95%。此外，与RFR-NSGA-II相比，Al6061基PRAMCs设计以更快的收敛速度实现了更好的UTS-Kt权衡。该效率提升源于NSGA-II-PMCP优化器直接并行优化UTS和Kt，消除了与早期数据集的重复比较，从而大幅减少计算时间。总体而言，NSGA-II-PMCP框架不仅增强了帕累托前沿覆盖范围，还显著缩短了优化时间。未来工作将明确纳入Hall-Petch相关描述符（如基体晶粒尺寸）以量化晶粒细化对微结构异质性的贡献；还将研究边界条件的影响，并扩展至曲线级本构建模；对于强各向异性增强体结构，可能需要额外的取向和拓扑描述符。展望未来，该方法可扩展到固体力学、海洋工程和微型机器人等领域，实现定制化高性能复合材料的逆向设计。