全文速递

Al-Si合金因其优异的轻质高强、耐腐蚀和高导电性能，广泛应用于汽车、航空航天等领域。然而，高强铝硅合金的设计仍面临两大核心难题：一是成分空间极其庞大，合金元素复杂耦合，强化相多样，导致传统的相图计算与试错实验难以有效完成高效筛选；二是工艺繁杂多样，从简单铸造到复杂热挤压-热处理，不同工艺对材料性能有显著影响，但复杂工艺因成本高、实验难度大，导致数据极度稀缺，阻碍了机器学习模型的有效训练。与此同时，低成本工艺（如铸造）虽能提供丰富数据，却无法单独支撑对高强韧需求的准确预测。如何在多工艺数据不平衡的前提下，构建能够协同利用各类工艺数据、并有效完成成分-工艺-性能联合优化的设计框架，成为当前高强铝硅合金开发亟待突破的关键技术瓶颈。

近日，西安交通大学航天航空学院空天装备数智力学团队刘思达教授针对铝合金复杂工艺与强度问题，结合陈炎助理教授机器学习设计方法，开发了一种面向高强铝硅合金设计的工艺协同式主动学习（PSAL）框架，成功设计出不同工艺的高强铝硅合金。该框架通过引入条件Wasserstein自编码器（c-WAE），将工艺路径编码为条件变量，构建了具有工艺协同感知能力的主动学习模型。该方法不仅在多工艺空间中实现了高效的成分探索，还展现出优异的性能提升效果（重力铸造+T6热处理：抗拉强度提升至459.8 MPa，迭代仅3轮；重力铸造+热挤压：抗拉强度达220.5 MPa，迭代仅1轮）。同时，该框架有效破解了多工艺数据稀缺与不平衡难题，精准捕获复杂的工艺-成分-性能映射关系，为高强铝硅合金的加速设计提供了新一代设计方法。相关成果以“A process-synergistic active learning framework for high-strength Al-Si alloys design”为题发表在《npj Computational Materials》上。

内容概括

为了优化AI-Si合金性能、解决复杂工艺路线（PR）相关的数据不平衡问题，他们引入了PSAL框架，该框架能够高效地在多个PR上设计高强度合金，同时最大限度地减少迭代周期并提高预测准确性，特别是在实验数据有限的工艺中。PSAL框架由五个集成组件组成(图1)：数据集构建、成分生成、代理模型构建、候选高性能成分选取和实验验证。

图1. 工艺协同主动学习框架概述。该框架主要包括以下几个组成部分：(a) 通过整合实验数据与文献中衍生的成分-工艺-性能数据构建数据库，涵盖了除铝和硅之外的七种主要合金元素，并采用独热编码方式表示工艺路径（PRs）。(b) 利用条件Wasserstein自编码器（c-WAE）架构生成特定工艺的合金成分潜空间。(c) 实施基于工艺路径和合金成分的集成代理模型进行性能预测。(d) 系统性地选择排名靠前的合金成分进行实验验证，并通过迭代数据库丰富与模型优化，直到找到高强度合金。

他们将多个工艺路径的数据整合到一个统一的模型中，实现了多工艺的协同优化，避免了传统方法中单独处理每个工艺的局限性。利用贝叶斯优化对模型超参数的寻找和迭代，协同后的模型的预测精度得到了极大的提升，特别是对于数据稀缺工艺性能的预测（图2）。

图2. 数据集分布分析及多工艺协同效应对模型性能的影响。(a) 样本在不同工艺方法上的分布（条形图）以及相应的抗拉强度（UTS）值（散点图）。(b) Pearson相关热图，展示了成分对GC工艺路径下UTS的影响。(c) 多工艺路径协同数据集的t-SNE分布可视化。(d) 在单工艺和多工艺协同数据集上，NN和XGBDT模型性能的对比分析。3D柱状图展示了每个模型和工艺路径下UTS预测的平均绝对误差（MAE）。放大的区域突出显示了GC工艺路径在单工艺和多工艺协同条件下的MAE及波动范围。(e) 预测值与实验值的对比图（Parity plots），通过R²值量化了单工艺和多工艺路径场景下预测精度的差异。

该研究不仅突破了传统方法中每种工艺需单独建模、数据孤立的问题，还利用条件Wasserstein自动编码器将不同加工路径的性能信息融入共享潜在空间，显著提升了跨工艺预测精度和成分筛选效率；通过引入高斯混合模型（GMM）与马尔可夫链蒙特卡洛（MCMC）方法，模型在数据量极少的情况下仍可生成高质量成分组合，特别适用于高温Al-Si合金等实验成本高、数据获取困难的复杂体系（图3）。

图3. 基于工艺的潜在空间分析与采样。各面板展示了潜在空间如何引导特定工艺的采样与优化。(a) 在基于工艺的潜在空间中展示合金成分的可视化，不同的簇代表不同的工艺方法，数据点按抗拉强度（UTS）值进行颜色编码。符号形状表示不同范围的硅含量。(b) 对于指定的工艺路径（以GC + T6为例），在成分潜在空间中的采样流程。(c) 通过三次迭代周期进行渐进优化，展示GC + T6工艺路径下潜在空间的演化及高斯混合模型（GMM）概率密度图的精细化，逐步逼近高强度合金成分。(d) 对于GC + HE工艺路径的加速优化路径，在仅一次迭代中就实现了高强度合金成分的得到。

该研究不仅成功调和了不同工艺（如热处理和热挤压工艺）之间的机械性能差异，还识别出了适用于多种工艺的高强度合金成分。这为不同系统级属性之间的相关性提供了新的视角，推动了高性能合金的快速设计和应用（图4）。

图4. 高强度铝硅合金的实验验证与力学性能。(a) X射线衍射（XRD）图谱。(b-c) 对合金C2（GC + T6工艺路径）和D2（GC + HE工艺路径）进行扫描电子显微镜-能谱分析（SEM-EDS）。(d) 从GC + T6和GC + HE工艺路径中选择的高强度合金的应力-应变曲线。(e) 对GC + T6工艺路径进行三轮迭代预测与验证精度评估，以及GC + HE工艺路径进行单次迭代的评估。(f) 将文献数据、先前实验结果与本研究开发的高强度铝硅合金在GC + T6和GC + HE工艺路径下的抗拉强度（UTS）与硅含量进行比较。

关于作者

西安交通大学蔡建明博士生为论文第一作者，西安交通大学刘思达教授、陈炎助理教授为论文共同通讯作者。

同时，欢迎各位同学了解西安交通大学航天航空学院空天装备数智力学团队。团队负责人是国家杰出青年基金获得者刘益伦教授，骨干成员包括国家级青年人才国家级青年人才刘思达教授，岳圣瀛教授，覃华松副教授、潘周周副教授、张钱城副教授、张志家副教授、应鹏华副教授、陈炎助理教授、李玉书助理教授。团队致力于空天装备智能设计、分析、制造一体化。团队拥有先进的实验仪器设备、丰富的计算资源、理论功底扎实、科研氛围融洽，欢迎优秀本科生前来攻读硕士研究生、博士研究生。

原文链接

https://www.nature.com/articles/s41524-025-01721-3