東北大學軋制技術(shù)與連軋自動化國家重點實驗室徐偉教授團隊近期在ActaMater.79 （2019）201-214發(fā)表題為Physical metallurgy-guided machine learning and artificial intelligent design of ultrahigh-strength stainless steel的研究成果，文章第一作者為實驗室博士研究生沈春光，共同通訊作者為王晨充、徐偉。

論文鏈接：https://doi.org/10.1016/j.actamat.2019.08.033

材料基因工程是近年興起的材料領(lǐng)域前沿方向，旨在通過對集成計算與數(shù)據(jù)庫技術(shù)等手段的綜合運用，實現(xiàn)材料研發(fā)成本與周期的降低。隨著集成計算思想和數(shù)據(jù)挖掘技術(shù)的發(fā)展，材料基因工程在諸多新型高性能金屬材料的研發(fā)中取得了顯著的成效。然而，由于鋼鐵結(jié)構(gòu)材料的成分工藝設(shè)計涉及大量對復雜耦合關(guān)系的分析，并受到諸多爭議性機理的制約，因此基于材料基因思想的鋼鐵材料設(shè)計一直是領(lǐng)域內(nèi)的國際性熱點與難點問題。

隨著大數(shù)據(jù)時代的到來，機器學習算法為解決復雜體系下的工藝設(shè)計與優(yōu)化提供了可行之道。盡管現(xiàn)今基于機器學習的材料設(shè)計方法已經(jīng)獲得了若干成功案例，但是多數(shù)研究中使用的設(shè)計手段只是運用機器學習算法，在統(tǒng)計數(shù)學層面上直接構(gòu)建“成分/工藝-目標性能”之間的強關(guān)聯(lián)，而忽視了傳統(tǒng)材料設(shè)計思想中最為關(guān)注的顯微組織特征等物理冶金學信息，這種設(shè)計方式不單極大地阻礙了對設(shè)計結(jié)果內(nèi)在物理機制的理解，更導致設(shè)計方式存在對數(shù)據(jù)數(shù)量的極大依賴，從而為模型的設(shè)計效率提升和普適性推廣造成了極大的困難。

針對基于傳統(tǒng)機器學習算法的鋼鐵材料設(shè)計中的以上瓶頸問題，徐偉教授團隊從物理冶金學與機器學習算法融合的角度出發(fā)提出了以物理冶金學為指導的機器學習方法。在該設(shè)計方法中，通過使用與強度高度相關(guān)的物理冶金參數(shù)對原始數(shù)據(jù)集中進行增維處理，不僅可以將物理冶金信息融入機器學習過程，還可以充分挖掘原始數(shù)據(jù)內(nèi)在信息，提升數(shù)據(jù)質(zhì)量，最終獲得了具有優(yōu)良泛化能力的預測模型。隨后將該預測模型與高通量遺傳算法尋優(yōu)相結(jié)合形成了高效的合金計算設(shè)計框架。

基于該設(shè)計框架在10^2小樣本數(shù)據(jù)集下成功設(shè)計出新型超高強不銹鋼，相比于原始數(shù)據(jù)集，設(shè)計合金體系不僅獲得強度提升而且明顯低合金含量。除此之外，通過對比無物理冶金學參與的設(shè)計過程清晰地揭示了物理冶金信息參與機器學習性能預測時對模型性能與設(shè)計效率的提升能力。研究結(jié)果為基于小樣本機器學習算法的鋼鐵材料設(shè)計，以及機器學習算法中物理可解釋性的提升提供了可行思路。