钛合金是20世纪50年代初期发展与利用的重要金属结构资料，被誉为继钢铁和铝合金之后崛起的"第三金属"。。。高机能钛基资料涵盖先进钛合金、、、钛铝系金属间化合物、、、钛基复合伙料、、、钛火防控新资料等，因其比强度高、、、耐侵蚀好、、、使用温度宽等诸多优异个性，成为现代飞行器、、、航空发起机、、、深海探测设备、、、高端生物医疗植入体等领域的关键利用资料，这些优异的综合机能得益于钛基资料在物理冶金过程中多种变形机制的交互耦合，如α/β多相共存与转变、、、马氏体相变、、、有序化反映、、、位错滑移与孪生等。。。然而，高机能钛基资料的成分-工艺-组织-机能出现极端高维度、、、非线性关系,并对氧等微量间隙元素及热-力过程参数敏感 [1],使其成作难以预测和调控的金属资料系统之一。。。只管密度泛函理论(density functional theory,DFT)、、、相图推算步骤(calculation of phase diagrams,CALPHAD)等工具为资料研发提供重要支持，但在处置上述复杂系统时存在模型单一和成本高的问题,无法在多物理场耦合下精准捉拿显微组织演化并进行全局寻优，导致研发过程高度依赖经验，面对周期长、、、成本高和效能低的瓶颈 [2]，难以满足将来极端环境利用场景对高机能钛基资料急剧迭代与定制设计的火急需要。。。

人为智能(artificial intelligence,AI)的急剧发展从底子上破解高机能钛基资料的研发困局并掀起颠覆性范式革命 [3],其以壮大的高维非线性函数处置、、、复杂模式鉴别与全局优化能力，为衔接微观机理与宏观工程机能启发新的技术蹊径。。。这场刷新的主题在于构建一个数据密集、、、物理信息加强、、、机械人驱动的自动化尝试闭环为重要模式的智能加强系统。。。AI正驱动研发范式从被动的经验驱动向自动的数据与推算双轮驱动、、、人机深度协同、、、虚构与现实持续迭代的全新模式产生底子性跃迁。。。在此新范式下，AI不仅加快筛选与优化，并且通过嵌入物理法规确保认知科学性，并自动索求现有理论与经验尚未覆盖的设计空间 [4?6]。。。

本文系统综述AI驱动高机能钛基资料技术(AI+Ti)的最新钻研进展，聚焦AI若何针对该资料系统特有的复杂性提供创新解决规划。。。重要涉及AI在构建高精度相图-机能预测模型、、、实现机能指标→微观组织→成分/工艺逆向设计中的突破;在增材制作等关键过程中，推动节制战术从静态工艺窗口向动态过程智能升级，实现组织与机能的自动调控;以及构建基于多尺度数据融合的数字孪生框架，用于服役行为的跨尺度寿命预测。。。在此基础上，深刻分解AI+Ti领域面对的主题挑战，蕴含高质量尺度化数据生态的缺失、、、模型可诠释性与因果推理能力的不及、、、跨尺度建模与人机协同的壁垒，以及从虚构设计到工程认证的"最后一公里"阻碍。。。最后，瞻望物理信息机械学习、、、自主尝试平台等将来发展方向，并就AI的角色定位、、、知识暗示与人机合作模式、、、工程信赖的成立机制等尚存争议的非共识性问题进行前瞻性会商。。。

1、、、AI+Ti的主题步骤论:面向资料复杂性的专业算法与数据战术

在高机能钛基资料这一钻研领域，AI+Ti是成立在一套严谨且可复现的系统性步骤论之上。。。该步骤论以破解资料复杂性与实现资料素化为底子启程点，通过尺度化人为智能工作流程作为框架，精准匹配并部署一系列专业化研发范式与智能算法，以解决小样本高成本、、、物理可诠释性、、、工艺蹊径序列决策等主题挑战，旨在通过简化设计过程与优化资料使用，实现结构机能与工程实用的平衡。。。

从步骤论角度看，资料智能设计通常必要凭据钻研指标、、、数据规模及问题复杂水平，选择相宜的算法框架。。。随着资料问题复杂度不休提升，集成学习、、、多模型融合、、、物理信息机械学习等步骤也逐步成为提升预测靠得住性与可诠释性的重要技术蹊径。。。鉴于分歧人为智能算法在数据需要、、、建模能力及合用工作方面存在显著差距，对其合用天堑及优势进行系统比力拥有重要意思。。。因而，表1对当前资料设计钻研中常见的AI算法类型及其主题优势、、、局限性以及典型利用场景进行综合总结 [7?14],为后续钛基资料智能设计的算法选择与步骤集成提供参考。。。

表 1 AI 算法合用天堑与曲直势对比

1.1　应对小样本高成本:自动学习范式与多尺度数据融合战术

高机能钛合金的尝试验证周期漫长,导致可用于训练AI模型的高质量数据集规模有限。。。因而，面对典型的小样本困境。。。针对这一问题,AI+Ti发展出以自动学习(active learning,AL)为主题且深度融合多尺度推算仿照数据的综合战术，利用具备不确定性量化能力的代理模型如高斯过程(Gaussian process,GP)领导高价值尝试。。。其根基道理为基于少量初始数据训练一个GP模型,在整个设计空间中推算每个未标注点的获取函数来衡量索求高不确定性区域与当前最优区域，从而智能推荐下一个最具信息价值的尝试点并进行迭代尝试。。。随后将新获得的尝试数据结构化处置后回注至数据库中用于模型再训练，这一选择-标注-学习的循环模式能以至少的尝试成本高效逼近全局最优解。。。此外，为了从底子上扩充数据源，AI+Ti积极践行多尺度数据融合战术。。。在数据网络环节中，数据起源形成一个从微观到宏观的齐全谱系:以内部尝试数据库提供的宏观机能与微观组织/结构表征为基础，同时利用推算仿照数据作为壮大的虚构补充，形成一个从微观到宏观的齐全集中。。。这些多模态、、、多尺度的数据经过严格的预处置与特点工程后，共同构建信息密度远超传统尝试的复合数据集，为AI模型提供有力支持。。。

1.2　保险物理可诠释性:物理信息加强范式下的机理驱动建模

单一数据驱动的AI模型固然阐发出较高的预测精度，但其固有的黑箱个性极易导致预测了局违背热力学定律、、、晶体学取向关系或相平衡等根基道理。。。这种不成诠释性和潜在的物理不一致性严重故障AI在工程场景(如航空发起机)拥有高靠得住性要求的利用。。。为解决上述问题，AI+Ti将专业领域知识作为硬性或软性约束嵌入模型架构和训练过程中，利用物理信息加强研发范式确保预测了局在占有高精度的同时具备坚实的物理根基与可诠释性。。。该范式的主题是构建一种数据+物理的双驱动战术，全面重塑优化了从特点工程到模型选择再到训练优化的智能化过程。。。

在正向设计层面，即从给定的钛基资料成分/工艺预测组织机能，物理信息加强疏导的特点工程使钻研者不再局限于原始化学成分，即便是针对可诠释性分析与机理挖掘也可辅以可诠释AI工具进行后验分析。。。这不仅能验证模型决策是否切合已知的冶金法规，更能揭示传统步骤难以发现的高维非线性关系，从而为新资料设计提供新的科学蹊径。。。逆向设计可能针对特定的指标机能反向求解最优成分/工艺，此时将物理信息加强耦合其中则可构建出一种更为严谨的代理模型。。。该模型在训练阶段通过在损失函数中引入物理残差项(如位错密度演化方程、、、相改观力学方程等)或热力学不变性前提来确保其在整个输入空间内的预测都满足根基物理法规，预防在逆向搜索中进行无效索求，极大提升设计效能。。。

1.3　优化工艺蹊径序列决策:贝叶斯优化与强化学习范式

除凝固微观组织与结构外,钛合金的最终机能还由复杂的热机械处置(如多火次铸造、、、阶梯式热处置等)决定，这性质上是一个多阶段、、、序列化的决策优化问题。。。AI+Ti通过贝叶斯优化(Bayesian optimization,BO)与强化学习(reinforcement learning,RL)两种方式，为解决此类问题提供了规划。。。

贝叶斯优化在利用函数进行全局优化时展示出凸起的数据高效性,成为优化复杂热处置工艺的首选步骤。。。其主题在于构建一个概率代理模型(通常为GP),将多道次工艺参数(温度、、、功夫、、、冷却速度等)设定为输入变量,将指标机能(如强韧性)设定为输出变量,不仅能预测机能,还能够通过获取函数索求与量化不确定性区域,以极少的尝试迭代次数找到最优的工艺窗口，较为符合小样本、、、高成本的场景。。。

对于必要实时动态反馈的先进制作过程(如激光增材制作),强化学习范式则更为合用。。。RL将制作过程建模为马尔可夫决策过程，其中智能体凭据熔池动态图像、、、热成像等实时信号，动态调整激光功率、、、扫描速度等参数，以最大化持久累积嘉奖(如构件致密度、、、无缺点率等),通过与环境(即制作设备)的持续交互来学习最优节制战术。。。这实现了从静态开环工艺到动态闭环智能调控的底子转变,是AI驱动智能制作的最高体现。。。

AI+Ti主题步骤论是以资料复杂性的深度解析与素化战术的智能构建为底子导向,将AI的通用道理内化于尺度化工作流程之中,并外显为一系列指表明确、、、逻辑自洽的研发范式，使其统一成有机整体。。。通过这种深度融合,AI+Ti将升维为一场深刻理解并最终驾驭钛基资料的认知与范式刷新。。。

2、、、设计刷新:从相图导航到机能定制的逆向工程

2.1　高维相空间索求与机能天堑预测

相不变性是决定多元钛合金综合机能的关键基础,然而随着合金元素种类的增长,因热力学数据缺失或交互参数难以精确拟合,传统CALPHAD步骤面对在高维成分空间中进行全局相图扫描的巨大挑战。。。与此同时，经验性确当量规定固然简洁，但其线性加权大局难以捉拿元素间高阶非线性交互效应，尤其在成分天堑区域极易失效。。。

图神经网络(graph neural network,GNN)是一种可能处置图结构数据的AI模型,通过将合金系统建模为复杂的关联系统而非单一的组元叠加，不仅脱节了CALPHAD步骤中热力学交互参数缺失的限度，并且利用神经网络的非线性全能逼近个性，添补了当量规定无法描述复杂化学环境效应的缺点。。。在数据网络过程中钻研者可构建一个蕴含数万甚至数十万虚构合金的数据集，其中每个合金的原子结构被编码为一个图(节点代表原子，边代表原子间相互作用) [15],其标签来自第一性道理推算的形成能、、、混合能或能量差。。。通过在该数据集上训练GNN模型，可能直接从原子尺度的几何与电子结构特点中学习并泛化出复杂的相不变性判据。。。相较于经验规定，GNN模型不仅能更正确地预测肆意多元成分下的相组成，更能揭示暗藏在数据背后、、、超过线性叠加的物理机制。。。Schmidt等的钻研工作为此提供了利用案例，通过大规模DFT推算构建蕴含近10亿种无机化合物(涵盖大量钛基系统)的虚构资料库,并利用晶体图把稳力网络进行训练。。。该GNN直接将未弛豫的晶体结构编码为原子图,以DFT推算的形成能为标签,成功实现对肆意多元成分下热力学不变性的高精度预测(图1)。。。不仅如此,在通过补充推算平衡化学元素与结构散布后，该模型展示出前所未有的泛化能力，在训练稀少数据时亦可精准预测相不变性，有效解决传统步骤高维数据稀少性导致的机能衰退问题。。。

AI模型可有效探测机能衰减的临界阈值，即在成分或工艺参数的陆续细小变动下，资料宏观机能产生突发性、、、不陆续的骤降。。。这类景象通常源于微观组织的突变,例如  ω相的脆性析出或晶界  α相的陆续网状散布。。。传统尝试或仿照步骤因其离散采样个性，极易遗漏这些狭小但对机能拥有显著影响的临界区域，而训练优良的AI代理模型(如极端梯度提升(extreme gradient boosting,XGBoost)或物理信息神经网络(physics-informed neural networks,PINN))能够在整个高维设计空间内进行陆续、、、高效地虚构扫描，通过度析模型输出的梯度或不确定性，自动鉴别对机能变动极端敏感的参数区域，即机能临界阈值的天堑。。。本钻研团队利用这一优势，构建了基于XGBoost的代理模型并耦合遗传算法，在Ti-V-Cr-Al-Mo-Nb-Si-C八元空间中进行高通量逆向设计。。。该模型不仅成功筛选出抗氧化性提升42%的最优成分(TF600)，并且更重要的是通过度析模型决策天堑与SHAP值，自动躲避可能导致室温脆性的临界成分区域。。。这注明AI代理模型能在整个高维空间内进行陆续、、、高效地虚构扫描，其高预测精度(决定系数R?=0.98)确保对敏感区域的靠得住鉴别。。。

AI并非要齐全取代CALPHAD或经验规定，而是与之形成一种协同加强的关系。。。Chai等将d电子理论中的Bo/Md等经验参数作为关键输入特点，并将β相不变区作为遗传算法搜索的硬性约束，体现了经验规定对AI搜索方向的有效疏导。。。在这种融合范式下，CALPHAD和DFT为AI提供物理根基，经验规定提供工程先验，而AI赋予钻研人员在前所未有的高维空间中安全、、、高效航行的能力，真正实现从被动遵循相图法规到自动驾驭复杂机能空间的底子转变 [7]。。。

2.2　分子原子尺度智能引擎:高精度仿照的基石与多系统拓展

钛合金分子动力学(molecular dynamics,MD)推算技术已得到宽泛利用 [19],但传统经验的原子间势在描述其复杂的多相行为、、、成分敏感性及缺点响应等方面存在显著不及，严重制约原子尺度仿照的预测能力与合用领域。。；；笛霸蛹涫(machine learning interatomic potentials, MLIPs)的出现提供了突破性蹊径 [20?22]。。。MLIPs通过从高精怀抱子力学推算(如DFT)天生的大规模数据集中学习原子间相互作用，可能在靠近DFT精度的同时实现数个数量级的推算加快，从而支持大规！、、、长功夫、、、多组分的MD仿照 [23],为钛基资料机能定制化设计奠定分子级仿照基础。。。当前钛合金MLIPs的钻研已系统覆盖多个关键合金系统，在多相与多组分系统方面，Allen等 [24]构建蕴含纯Ti及Ti-6Al-4V合金的α相、、、β相和液相甚至α″相的综合DFT数据集，提供总能量、、、力、、、应力等关键物理量，为开发统一描述多相行为的MLIPs奠定基础(图2)。。。

在钛铝系金属间化合物这类高温关键结构资料系统中，MLIPs的利用已由基础晶格性质预测进一步深刻复杂缺点动力学与相变过程的仿照。。。针对钛铝合金塑性变形与失效机制,Qi等 [25]利用矩张量势(moment tensor potential,MTP)成功构建可能精确描述L1?-TiAl相与D0??-Ti?Al相的原子间势函数。。。该模型不仅可能正确复现资料的根基弹性性质，还可能在原子尺度上刻画位错主题结构、、、位错滑移蹊径以及裂纹尖端的断裂行为，从而揭示传统经验势难以捉拿的复杂键合方向对力学响应的影响，为理解钛铝合金室温脆性及高温蠕变机制提供重要的理论凭据。。。

在凝固与相改观力学钻研方面，Zhai等 [26]基于深度神经网络开发的液态钛铝二元合金专用势函数，实现对液相结构及成核过程的高精度仿照。。。该势函数有效克服传统经验势在描述液态无序结构及固液界面转变过程中的精度瓶颈，能够正确预测分歧过冷度前提下的成核速度与临界晶核尺寸，为优化钛铝合金增材制作过程的凝固组织调控及晶粒细化提供关键仿照工具。。。

针对面向更复杂的工程利用，通过对三元Ti-Al-Nb系统的系统比力钻研批注，无论是矩张量势还是深度学习势函数，均可能在较大成分空间内维持优良的预测精度，其训练数据集不仅涵盖块体金属和金属间化合物结构，并且进一步扩大至板状构型、、、非晶结构以及多种缺点构型，从而显著提升模型对复杂原子环境的描述能力。。。Chandran等 [27]通过系统评估分歧模型架构在描述三元固溶体、、、金属间化合物及缺点形成能方面的阐发，证实MLIPs在多组元钛铝基高温合金系统中的优良泛化能力。。。在此基础上，进一步比力被动学习与自动学习战术在势函数训练中的成效，了局批注自动学习可能通过迭代筛选高信息量构型，显著提升势函数在未知构型区域的预测能力，同时削减训练数据规模并提高数据利用效能 [28]。。。上述钻研批注，结合高精度深度学习势函数与自动学习战术，MLIPs已可能在复杂多组元系统中实现不变靠得住的机能预测，为索求兼具高强度、、、高韧性与优异抗氧化机能的新型Ti-Al-Nb高温合金提供重要的原子尺度仿照工具,并为高温结构资料的推算驱动设计奠定基础。。。

除结构资料系统外，MLIPs在其他职能型钛合金中同样展示出辽阔的利用远景。。。在生物医用领域,低模量Ti-Nb-Zr合金因动态不不变性而备受关注，MLIPs已被用于仿照其有限温度下的弹性机能，为合金化与热处置调控提供凭据 [29]。。。在耐蚀与高温利用方面,Li等 [30]提出普适性深度学习势函数钻研Ti-Pt合金的多尺度结构与热力学行为。。。面向新一代高熵合金，MLIPs显著加快对其弹性机能、、、力学机能及位错滑移行为的仿照 [31]，将来还将结合尝试索求短时氧化等复杂过程 [32]。。。

在微观机能预测能力方面，MLIPs显著突破传统尝试与仿照的天堑。。。Shen等 [33]基于矩张量势构建钛合金MLIPs,通过MD仿照分析预裂纹在特定晶面上的扩大机制，为理解断裂行为提供原子级认知。。。在侵蚀领域，相场模型已成功仿照溶化驱动的应力侵蚀开裂，为将来耦合MLIPs发展分子尺度验证摊平路线。。。在热输运方面，Qanbarian等 [34]利用ML-MD揭示锥形纳米结构对热传导效能的加强效应,批注MLIPs在热力学性质仿照中潜力巨大。。。Cho等 [35]结合MLIPs与MD步骤，精确刻画金属界面黏附个性，为微纳器件靠得住性设计提供关键支持。。。

在模型架构与训练步骤方面，高斯近似势(Gaussian approximation potential,GAP)、、、深度势(deep potential,DP)和矩张量势已成为主流。。。GAP凭借对复杂势能面(蕴含磁性)的优良表白能力被宽泛选取，其数据库蕴含约15万个部门原子环境;Wen等 [36]通过专用神经网络结构提升DP在钛合金力学响应预测中的正确性;MTP在捉拿Ti-Al合金复杂相行为中阐发凸起。。。训练战术方面，人为神经网络势(artificial neural network potential,NNP)已用于预测Ti-Al系相图，添补传统势函数的精度缺点 [37];GNN通过新闻传递机制自动学习最优原子环境特点，摆出手工描述符依赖;AL通过量化模型不确定性智能筛选训练构型，大幅提升数据效能，已成功利用于钛合金MLIPs开发 [38]。。。此外，Lin等 [39]提出面向脆性资料延长缺点的专用训练战术，也为钛合金MLIPs优化提供新思路。。。

2.3　微观组织工程的逆向设计:从机能指标到组织蓝图

由于钛基资料的宏观机能与其复杂的微观结构之间存在高度非线性的复杂映射关系 [40],人为智能在钛基资料微观组织机能优化方面的图像利用已成为资料科学领域一个充斥活力的钻研热点。。。随着显微镜技术和深度学习技术的飞速发展，基于图像分析的人为智能步骤为加快钛基资料微观结构表征、、、机能预测和优化设计启发新蹊径 [41]。。。钻研批注，利用天生式AI与推算机视觉技术，不仅能够实现组织描摹的自动量化表征，并且能在增材制作等复杂工艺中发现传统步骤难以触及的全新工艺窗口,最终实现资料从宏观机能指标到梦想微观组织的智能化逆向设计与精确预测 [42?44]。。。

深度学习模型是一类基于多层人为神经网络(尤其是卷积神经网络(convolutional neural network,CNN))的机械学习步骤,可能直接从原始显微图像中自动学习并精准捉拿晶！、、、相界、、、片层等复杂微观特点，无需预设阈值或状态学规定 [45]。。。Pan等 [46]针对选择性激光溶解(selective laser melting,SLM)成形Ti-6Al-4V合金的缺点检测难题，构建了一个基于深度卷积神经网络(deep convolutional neural network,DCNN)的语义宰割模型。。。他们首先指出传统Otsu、、、Kittler等阈值宰割步骤因主观性强而难以分辨孔隙与未熔合缺点的局限性。。。通过训练DCNN模型，该工作成功实现对这两种关键缺点的自动、、、高精度宰割,并以此为基础成立缺点特点与委顿寿命的定量关系，为增材制作构件的靠得住性评估提供客观凭据。。。Fotos等 [47]选取通用金相图像的晶粒宰割，挑战传统分水岭算法因图像噪声和强度不均导致的过度割问题，提出一种将深度学习自动提取能力与经典算法相结合的创新天堑类语义宰割加强型分水岭算法，显著提升晶粒宰割的正确性和鲁棒性。。。

深度学习在图像宰割和分类工作上阐发卓越，为微观组织的自动化、、、高通量定量分析提供步骤。。。Liu等 [48]通过融合高通量尝试与机械学习，揭示TC18钛合金热加工过程对微观组织的影响(图3)。。。利用双锥试样结合大区域拼接(large area mapping,LAM)技术，一次性获得涵盖梯度应变和分歧热处置前提的海量微观组织数据(共5720张扫描电子显微镜(scanning electron microscope,SEM)图像)。。。随后通过ImageJ软件批量提取α相含量和球化率等特点，并选取PSO-KNN算法构建热加工参数(变形温度、、、应变和固溶温度)与微观组织演变之间的高精度预测模型。。。这项工作展示了若何利用AI处置高通量尝试产生的大数据，实现对复杂热-力耦合过程中组织演变的高效和客观量化。。。

除了基于图像特点直接进行组织鉴别与预测外，近年来钻研人员起头将统计学微观结构表征步骤与机械学习模型相结合，以成立越发拥有物理意思的结构-机能关联模型。。。Hao等 [49]提出一种微观结构信息驱动的机械学习框架，用于预测SiC/Ti钛基复合伙料极限抗拉强度。。。首先通过有限元仿照天生大量拥有随机微观结构特点的代表性体元数据,利用两点有关函数对微观结构进行统计量化表征，再通过主成分分析实现降维处置，最终选取支持向量回归模型成立微观结构特点与宏观力学机能之间的映射关系。。。了局批注，该模型在极限抗拉强度预测中拥有较高精度，大部门预测了局误差节制在±1%领域内，并可能鉴别纤维体积分数和空间散布等关键微观结构参数对机能的主导作用，从而为成立靠得住的"微观结构-机能"关联关系提供新的数据驱动蹊径。。。

上述钻研为微观组织逆向设计奠定重要基础，其中天生式模型在实现从机能指标到组织结构设计的过程中阐扬着关键作用。。。Zhu等 [50]以T55511钛合金为钻研对象，开创性地利用去噪扩散概率模型(denoising diffusion probabilistic models, DDPM)实现微观组织的逆向天生与预测(图4)。。。DDPM模型以热处置参数为前提训练天生高保真度的微观组织图像。。。尤为关键的是，该钻研引入一套严格的定量评价系统,利用MIPAR软件对天生图像和真实图像进行语义宰割,对比初生  α相  (α p )和次生α相(a?)的体积分数、、、主/次轴长度等关键参数。。。了局批注，模型天生的组织在定量指标上与真实样本高度吻合,这为以特定机能指标而设计梦想微观组织的逆向范式提供迄今为止最坚实的实证,标志取资料设计从试错迈向按需定制的重要一步。。。

2.4　多指标协同优化设计:从机能衡量到机能协同的智能寻优

高机能钛基资料的工程利用往往要求其在强度、、、塑性、、、委顿、、、蠕变、、、弹性模量、、、生物相容性、、、成本等多个维度上达到最优平衡。。。然而，这些机能指标之间通常存在内涵矛盾与制约关系(如强度-塑性的颠倒关系和低模量与高强度的矛盾),使得传统单指标优化或经验试错法难以见效。。。人为智能驱动的多指标优化提供了有效的解决规划。。。通过在高维成分-工艺空间中系统性地索求帕累托最优(Pareto optimality),AI不仅可能揭示分歧机能间的衡量关系,并且能发现实现多机能协同提升的最优参数空间，为工程选材提供定量化设计图谱。。。

Chen等 [51]针对生物医用  β钛合金的设计需要，奇妙地融合高通量尝试与机械学习，实现多指标协同优化的范例(图5)。。。首先基于扩散偶技术，通过纳米压痕和电子探针微分辨析对Ti-Nb-Zr-(Cr,Hf,Mo,Sn,Ta)系统进行高通量力学与互扩散机能表征，获得蕴含1290组数据的靠得住数据库。。。随后利用高斯过程回归(Gaussian process regression, GPR)算法构建杨氏模量、、、硬度和热加工能力 3个关键机能的高精度预测模型。。。在此基础上,钻研人员设计一个交互式筛选循环:首先筛选出杨氏模量低于63GPa的合金，再从当选出硬度高于3.2GPa的合金，最后保留热加工能力参数优于TC4合金的候选者。。。通过这一多指标、、、分步优化的战术，成功地在辽阔的四元成分空间中精准定位指标合金Ti-(22±0.5)%Nb-(30±0.5)%Zr-(4±0.5)%Cr(原子分数)。。。经尝试验证，该合金展示出优异的综合机能:杨氏模量低至(58±4)GPa,纳米硬度高达(3.4±0.2)GPa,显微硬度高达(520±5)HV,压缩屈服强度高达(1220±18)MPa,且塑性应变超过30%。。。这一工作不仅成功解决生物医用资猜中强-韧-低模量的固有矛盾，并且展示出高通量数据+多指标ML模型+交互式筛选这一集成范式在复杂多指标协同优化中的巨大潜力。。。

在步骤系统层面，钻研人员也在不休索求越发通用的多指标设计框架。。。An等构建一个涵盖18种合金元素和热处置工艺参数的智能搜索空间，并成立蕴含397个样本的综合性数据集。。。通过系统评估6种经典机械学习算法(蕴含支持向量机、、、高斯过程、、、神经网络、、、分类与回归树、、、提升树和随机丛林)，并通过超参数优化，最终获得验证集和测试集别离达到0.95和0.93的高精度预测模型。。。该高精度、、、多输入(成分+热处置)-多输出(如强度、、、塑性等)的代理模型，为后续在高维空间中进行多指标逆向设计提供靠得住的基础。。。

在此基础上，钻研人员进一步将可诠释机械学习与多指标优化算法相结合，以提升模型在资料设计中的领导能力。。。Padhy等提出一种基于可诠释机械学习的钛铝合金集成设计框架，通过系统整合文件数据构建蕴含约1937条数据的钛铝合金数据库，并成立多机能回归模型预测屈服强度、、、抗拉强度、、、断后伸长率等关键力学机能。。。利用SHAP步骤对模型进行可诠释性分析，定量揭示分歧合金元素对机能的贡献法规，并进一步结合多机能贝叶斯优化战术，在给定成分空间内实现多指标协同优化。。。通过尝试合成与机能测试验证了机械学习预测合金的优异力学机能，了局批注"可诠释机械学习+多指标优化"的集成设计范式可能有效提升复杂合金系统的设计效能，为钛铝基高温结构资料的智能设计提供新思路。。。

除传统机械学习模型外，AI在资料设计中的利用正逐步向更高档次的知识驱动模式发展。。。Wang等提出基于大说话模型(large language models,LLMs)框架,利用其壮大的天然说话理解和知识推理能力,从海量科学文件中自动挖掘"成分-工艺-组织-机能"之间的隐性关联规定,并将这些知识与数值化的机械学习模型相结合(图6)。。。例如,在进行多指标优化时,LLMs能够自动检索并整合特定元素组合对蠕变抗力影响的最新钻研成就，或某类热处置制度对委顿裂纹萌生克制作用的经验法令，并将这些定性知识转化为优化算法的约束前提或启发式规定。。。这种数据驱动+推算驱动的双轮驱动模式，有望在解决更为复杂、、、涉及长周期服役机能(如蠕变和委顿)的多指标协同优化问题时，提供超过纯数据驱动步骤的洞察力和靠得住性，从而在高维设计空间中更智能、、、更高效地导航至机能协同的最优区域。。。

3、、、制作升级:从参数窗口到自适应节制闭环

对于高机能钛基资料而言，无论是增材制作中的急剧熔凝，还是热机械处置中的复杂变形蹊径，其制作过程均出现出高度的非线性、、、瞬态性和多物理场强耦合特点。。。传统制作范式严重依赖于经验总结出的安全参数窗口，即在特定设备和资料前提下，通过大量试错确定一组能预防宏观缺点的工艺参数领域。。。这种步骤虽具肯定实用性，但性质上是被动、、、静态且不足普适性的，难以应对资料批次颠簸、、、设备状态不不变等现实挑战，更无法实现对微观组织演化的自动、、、精准调控。。。

AI的深度融入正驱动钛基资料高机能制作范式产生底子性扭转，其主题是从依赖经验的参数窗口迈向数据与模型驱动的自适应节制闭环。。。在这一范式下，制作过程被视为可感知、、、可诊断、、、可决策、、、可执行的动态系统。。。通过部署多源传感器网络对制作过程进行全息感知,利用深度学习等AI模型对海量异构数据进行实时解析与状态诊断,并基于强化学习等先进算法天生最优节制指令，最终形成感知-分析-决策-执行的毫秒级闭环反馈。。。这种智能化的制作系统，不仅能有效克制气孔、、、裂纹等宏观缺点，并且能自动疏导晶粒形核与成长、、、相改观力学等微观过程，实现按需定制的组织与机能。。。

3.1　增材制作的实时感知与决策智能

增材制作钛合金与机械学习的结合已成为资料科学与先进制作领域的前沿交叉方向，其主题指标是通过数据驱动的步骤解决传统试错法研发周期长、、、成本高、、、可反复性差等瓶颈问题。。。图7为机械学习在增材制作钛合金的全流程示意图 56当前钻研批注，该融合技术已在工艺参数优化、、、微观结构预测、、、力学机能建！、、、缺点鉴别与节制等多个维度获得显著进展，并展示出从被动分析向自动智能设计演变的趋向。。。

在增材制作过程中，工艺参数是影响资料质量和机能的首要成分，因而机械学习模型被宽泛利用于成立激光功率、、、扫描速度、、、层厚等输入参数与致密度、、、理论粗糙度、、、残存应力等输出质量指标之间的非线性映射关系，实现对制作过程的急剧预测与优化。。。例如,Maitra等 [57]选取GPR模型预测激光粉末床熔融(laser powder bed fusion,LPBF)制备Ti-6Al-4V合金的相对密度。。。该GPR模型的输入为激光功率、、、扫描速度、、、层厚、、、扫描间距和体能量密度这5个工艺参数，输出为相对密度。。。通过使用文件中网络的2900个数据点训练GPR模型，凭据输入工艺参数正确预测LPBF制备Ti-6Al-4V合金的相对密度(均匀绝对误差为1.12%)。。。Lee等以LPBF制备的TC4合金为钻研对象，提出一种基于帕累托自动学习(ParetoAL)的框架,并结合针对性尝试验证，高效地索求了蕴含296个候选参数的重大参数空间，从而精准地确定可能同时提升强度和延展性的最佳参数。。。与以往钻研相比，选取这些优化参数制备的TC4合金在类似的强度水平下阐发出更高延展性,在类似的延展性水平下阐发出更高强度。。。该框架通过在不显著降低一种机能的情况下提升另一种机能,展示了克服强度和延展性之间固有衡量关系的有效性。。。

除工艺参数优化外，机械学习在增材制作过程物理场的急剧预测与实季节制方面也展示出重要潜力。。。温度场是决定熔池描摹、、、凝固组织及残存应力散布的关键成分，传统有限元仿照固然拥有较高精度，却往往存在推算成本高、、、难以满足实时预测需要的难题。。。针对这一问题,Pan等 [59]提出一种结合有限元仿照与深度学习的混合建？？蚣，通过构建一维卷积神经网络模型，实现对钛铝合金双线等离子弧增材制作过程中二维温度场散布的急剧预测。。。该步骤利用尝试红外测温数据与有限元仿照了局构建训练集，并通过提取沉积蹊径的一维温度特点实现二维温度场重构。。。了局批注，该模型预测的温度均方误差约为0.5,峰值温度误差小于20℃,相对误差低于1%，整体预测精度超过99%。。。同时，通过引入迁徙学习战术，模型训练效能提高约25%。。。与传统有限元步骤相比，该模型在维持靠近物理仿照精度的同时，可将推算功夫由分钟级缩短至秒级，为增材制作过程的在线预测与智能节制提供新的技术蹊径。。。

在把握制作过程参数及物理场演化法规的基础上，钻研重点进一步拓展至资料微观组织及其力学机能的预测，有关钻研已从早期的单一属性预测发展到构建"成分-工艺-组织-机能"四位一体的综合性模型。。。Sun等 [60]提出一种物理信息机械学习步骤，将内涵物理属性和相改观力学融入模型中，仅用496个样本即实现对亚稳态β型钛合金抗拉强度(R?=0.95)和断后伸长率(R?=0.90)的精准预测，解决了传统机械学习外推能力不及的问题。。。Whitney等 [61]进一步提出一个物理加强的机械学习代理模型，用于预测LPBF制备的Ti-6Al-4V合金部件尺度的微观结构演变，成功克服跨时空尺度集成和尝试验证的挑战。。。此类模型不仅可能预测最终机能，并且能揭示分歧工艺前提下晶粒描摹、、、织构和相组成的演化法规，为理解各向异性等关键问题提供新视角。。。

除资料组织与机能预测外,制作缺点及其对服役机能的影响也是增材制作钛合金钻研的重要问题,监督式机械学习步骤在这方面展示出图像鉴别和模式分类的优势。。。Balamurugan等 [62]提出一种创新步骤,结合基于理论粗糙度和内部缺点参数的分类模型与概率物理疏导神经网络(probabilistic physics-guided neural network,PPgNN)2.0,预测LPBF制备Ti-6Al-4V零件的委顿寿命，有效弥合宏观失效与微观缺点之间的天堑。。。Zhu等 [63]选取多算法集成的Auto_Gluon步骤预测航空发起机用TC17钛合金高周委顿寿命，其预测机能优于常用的随机丛林和支持向量回归模型，显示出集成学习在处置复杂委顿数据方面的优势。。。

3.2　热机械处置的全局蹊径优化

传统工艺设计常将铸造、、、轧制与多级热处置割裂优化，难以实现全局机能协同提升。。。新范式主张将复杂的热机械处置蹊径，蕴含变形温度、、、应变速度、、、退火及最终时效参数视为一个高维、、、陆续的决策序列,并借助先进人为智能步骤进行端到端的全局寻优。。。Li等 [64]构建一个自适应的机械学习-遗传算法(genetic algorithm,GA)-有限元法(finite element method,FEM)框架(图8(a))。。。该框架并非孤立地优化单一参数，而是通过多层感知机(multilayer perceptron,MLP)将 Johnson-Cook(JC)本构模型的关键参数(A、、、B、、、n、、、C、、、D?~D?)与资料的宏观力学机能(如抗拉强度、、、冲击功等)进行映射,并嵌入GA的优化循环中。。。FEM仿真作为物理验证器，对每一代候选参数集进行正向仿照，其了局又反馈用于修改MLP预测，该过程实现从指标机能到齐全本构参数的逆向全局优化。。。

Zhang等 [65]展示若何利用机械学习模型领导热加工窗口的全局选择(图8(b))。。。一方面，构建基于麻雀搜索算法优化的反向传布(sparrow search algorithm-back propagation,SSA-BP)神经网络代理模型，实现流变应力的靠得住预测;另一方面，依附于该模型进一步绘制三维热加工图。。。该图谱可能综合出现资料在分歧温度与应变速度组合下的能量耗散效能η及流变失稳判据ξ，进而在全局领域内急剧鉴别合用于动态再结晶的梦想工艺窗口。。。

Hu等 [66]指出传统的 Arrhenius型唯象模型因依赖线性回归，在捉拿热变形过程中动态回复与动态再结晶之间复杂的非线性竞争关系时存在局限。。。相比之下，提出的机械学习-辅助(machine learning-assisted,M-A)模型能更正确地复现流变曲线中的多阶段硬化/软化特点(图8(c))。。。这一能力对精确仿照和优化蕴含屡次变形与中央保温的齐全热机械蹊径至关重要，由于每一道次后的组织状态(如位错密度和再结晶分数)都将作为初始前提影清脆续变形行为。。。因而，高保真度的机械学习代理模型组成了实现端到端全局蹊径优化不成或缺的数字基石。。。

上述钻研批注，通过将机械学习代理模型与智能优化算法及物理仿真深度耦合，可能有效突破传统分步优化的局限，实现对钛合金热机械处置全蹊径的协同、、、全局寻优，为获得兼具高强度、、、高塑性与优异服役靠得住性的先进钛合金构件启发新蹊径。。。

3.3　防护涂层的高维设计空间智能导航

涂层设计的主题是构建物理阻隔与化学调控双重防护系统，通常为突破服役极限与提升服役安全性需满足3类物性要求:一是为有效反对氧原子向基体扩散需维持低氧渗入压;二是为预防在高温循环下膜层剥落需占有与基体匹配优良的热膨胀系数;三是具备在指标服役温度下不产生相变、、、不与基体产生有害反映的高温不变性。。。此外，复杂工况前提对钛合金的涂层设计提出严苛要求，传统的资料设计难以同步实现多种服役机能的匹配。。。近年来，基于数据的人为智能步骤可能在大量尝试和推算了局中学习，为多职能复杂涂层设计及优化提供可能 [67]。。。一方面，通过训练模型预测涂层的抗氧化性、、、硬度、、、耐磨性，可能显著削减传统试错法的功夫和成本;另一方面,数据驱动的反向设政战术利用AI技术缩小搜索空间，直接从数据中定位最优资料配比、、、宏微观结构和制作工艺 [68]。。。

Chen等 [69]钻研激光熔覆工艺参数对于钛合金理论TiC陶瓷涂层质量的影响法规，通过多道熔覆正交尝试获得涂层厚度、、、宽度、、、高度差等几何个性(图9(a))及其力学机能，以支持向量机成立涂层熔覆质量个性的预测模型，正确描述熔覆工艺参数和涂层质量的关系，领导理论熔覆涂层的工艺设计。。。Lin等 [70]探索Ti-6Al-4V合金理论光刻工艺对于理论氧化层结构的影响(图9(b)),通过构建支持向量机模型，同步优化曝光功夫、、、烘烤温度等参数，提升航空级钛合金理论微结构的保真度。。。Singh等 [71]通过调整升级网络层的巨细优化模型机能，探索等离子体喷涂涂层资料的抗侵蚀机能，钻研发现20个神经元在正确性和推算效能间达到平衡，机械学习回归步骤在资料机能预测中阐发优异。。。

Kumaran等 [74]在对电火花涂层理论改性工艺的钻研中，选取方差分析和响应面状态对观察到的数据进行分析和优化,别离使用人为神经网络和自适应神经：评硐低落街止ぞ呓性げ,回归系数别离达到0.9799和0.9912。。。Lim等合金定向能量沉积过程，以沉积理论色彩作为输入，构建蕴含截面描摹、、、硬度、、、微观描摹等信息的数据库并对比分歧模型预测的正确率，钻研发现随机丛林模型预测的正确率最高。。。上述钻研批注，AI技术能够通过度析涂层制备工艺参数对结构和职能的影响，优化涂层设计，并通过优化算法和参数据库并对比分歧模型预测的正确率，钻研发现随机丛林模型预测的正确率最高。。。上述钻研批注，出结合有限元建：突笛暗耐坎悴问呕绞，可大幅度地降低达成精确预测所需的数据量，有效的建；；袢〔问赡芟灾乩┏浠笛暗氖菁。。。Kolesnikov等 [72]则通过自适应采样算法和ANSYS仿真软件对分歧成分和厚度的涂层进行压痕仿照，构建训练数据集，选取机械学习近似模型(图9(c))在预测涂层的硬度方面阐发出较高的正确性(R?=0.96)。。。然而在已报道的文件中屡次提到,基于数据驱动的涂层结构设计和机能预测中存在预测值和尝试误差的问题，模型的鲁棒性和可诠释性也有待进一步提升 [67]。。；；诖,钻研人员们通过模型架构的优化、、、数据加强、、、迁徙学习等步骤削减不确定性。。。例如,Hao等 [73]构建出7种针对涂层抗氧化性和抗烧蚀性的机械学习预测模型,并结合SHAP可诠释性步骤对随机丛林模型进行分析(图9(d)),揭示各类输入特点对烧蚀个性的影响机制。。。

4、、、评价与服役:从离线检测到在线预测与数字孪生

在航空航天等高安全需要领域，钛基资料构件的服役靠得住性与寿命周期节制，直接关系设备的机能阐发与操作人员的安全性。。。传统的评估与运维保险系统大多依赖于离线、、、静态、、、粉碎性或半粉碎性的检测伎俩，这种步骤不仅成本高昂、、、周期漫长，并且难以反映单个构件在其怪异制作过程和服役环境下的真实状态，性质上是一种过后响应的被动治理模式。。。AI的深度融入引领评价与服役系统启发新路线，其主题是从离线抽检迈向在线预测与个别化数字孪生，实现对钛基资料寿命与靠得住性的自动、、、精准的动态治理。。。

4.1　基于初始状态的机能与寿命智能初筛

构件的服役寿命与出厂时的基因(成分、、、微观组织及内部缺点状态)亲昵有关。。。传统上，对构件委顿寿命、、、蠕变行为等关键服役机能的评估重要依赖耗时、、、昂贵且拥有粉碎性的物理尝试，如尺度试样的高/低周委顿测试和高温蠕变尝试。。。这类步骤不仅无法覆盖全批次产品，并且难以反映增材制作工艺颠簸、、、热处置差距和微观组织异质性导致的个别机能差距。。。

随着AI技术(出格是深度学习和可诠释机械学习)的发展,钻研人员可直接以资料出厂时的非粉碎性初始信息作为输入，构建端到端的智能初筛模型,预测其宏观力学机能与统计寿命散布。。。这种初筛范式拥有显著优势，仅采集初始状态数据即可实现机能预测，预防大量物理尝试;同时，对每一构件皆可成立专属机能档案并进行个别化评估，突破传统批次不变性的局限，实时发现潜在弱件，从而提升系统整体靠得住性。。。Zhao等 [76]将显微组织图像自身作为AI模型的直接输入，选取晶体塑性有限元法(crystal plasticity finite element method,CPFEM)构建蕴含分歧晶粒尺寸散布、、、α/β片层结构及椭圆缺点的代表性体积单元(representative volume element,RVE)模型，通过委顿批示参数天生扩充的委顿寿命数据集，并在此基础上对比多种机械学习算法(ANN、、、SVR、、、分化委顿抗力(resolved fatigue resistance,RFR))与CNN的机能(图10(a))。。。了局批注，CNN模型凭借其卓越的空间特点提取能力,可从RVE的二维图像中自动鉴别并定量表征晶粒描摹、、、片层散布及几何缺点等多尺度微观结构特点，并有效成立上述特点与委顿寿命之间复杂的非线性映射关系。。。与传统回归模型相比，该模型在预测精度方面阐发出显著优势。。。这项工作极具开创性，证了然无需人为设计复杂的微观特点参数，仅凭一张初始显微组织照片，AI即可实现对构件委顿机能端到端的智能初筛。。。这不仅极大地简化评价流程,并且将微观结构视角真正融入寿命预测的数字化主题,为实现基于真实微观组织的个别化、、、高保真寿命评估摊平路线。。。

对于增材制作构件而言,内部孔隙等工艺缺点往往表演着比基体微观组织更重要的角色。。。Dang等将工业推算机断层扫描(computed tomography,CT)作为获取构件出厂基因的关键伎俩，设计出一个三步渐进式预测模型(图10(b))。。。首先,利用岭分类(ridge classification,RC)算法从CT检测到的所有孔隙中精准鉴别出最危险的临界孔隙;随后，基于该临界孔隙的特点预测委顿断口上是否会出现细晶区(fine-grained area,FGA),这

是决定构建模型是否拥有超高周委顿寿命的关键;最后，综合判断应力水平、、、临界孔隙的尺寸/地位/状态、、、FGA存在与否等信息并通过核岭回归(kernel ridge regression,KRR)模型对最终委顿寿命进行高精度预测。。。该框架在激光定向能量沉积(laser-based directed energy deposition,L-DED)制备的Ti-6Al-4V合金上获得了卓越功效，预测了局与尝试值的有关系数高达0.951。。。这项钻研工作初次实现从三维无损检测的孔隙地图到个别化委顿寿命预报的齐全链条，为增材制作钛合金构件在航空航天等高安全领域利用前期的急剧、、、靠得住、、、非粉碎性寿命认证提供直接的技术蹊径，是基于初始状态的智能初筛理念在增材制作场景的实现。。。

在航空发起机等主题部件设计过程中，超高周委顿和高温蠕变寿命作为关键机能指标，尝试周期极为漫长、、、经济成本昂贵，以至高质量有效数据严重匮乏，显著制约AI模型的训练成效与泛化能力。。。为破解这一小样本困局，Li等 [78]提出一套数据加强与智能优化的解决规划。。。首先利用高斯混合模型(Gaussian mixture model,GMM)对稀少的原始超高周委顿数据集进行扩大，在保留原始数据散布特点的前提下有效扩充训练样本(图10(c)、、、(d))。。。随后构建改进的PSO-BP神经网络模型,通过PSO算法对BP网络的权重和阈值进行全局寻优,并引入动态惯性权重和自适应变异算子以预防陷入部门最优。。。该模型以弹性模量、、、屈服强度、、、抗拉强度、、、试样尺寸和应力幅值5个关键初始状态参数作为输入，成功实现对多种钛合金(如TC4、、、TC11、、、IMI834合金等)超高周委顿寿命的高精度预测。。。在充分扩增的数据集中，该模型决定系数达到89.9%,预测颠簸低至0.0494,其精度和不变性均显著优于传统的BP神经网络模型和随机丛林模型。。。

必要指出的是，基于统计模型的数据天生步骤在缓解小样本问题方面拥有重要价值，但其性质仍属于数据驱动的虚构样本扩大机制。。。若不足与资料物理机理和本构模型的交叉验证，天生数据在极端应力或复杂服役环境下的靠得住性仍存在肯定不确定性，可能难以充分反映小概率失效等关键工程风险。。。因而在工程利用中，数据加强战术通常必要与物理约束模型或尝试验证相结合，以提升预测了局在真实服役前提下的工程可信度。。。

4.2　数据-物理融合的危险演化建模

在钛合金构件投入服役后,其内裂纹萌生与扩大、、、位错增殖和相变)将在复杂载荷谱作用下持续演化。。。传统的单一物理模型步骤固然有明确的力学机制基础,但往往因参数鉴别难题而导致精度不及;而齐全依赖数据驱动的步骤固然具备较强的拟合能力，却由于不足物理约束，难以在未知工况下实现靠得住外推预测。。。在此布景下，数据-物理融合战术逐步成为实现高精度、、、实时危险鉴别与寿命预测的关键技术蹊径。。。

该步骤的主题在于将坚实的物理先验知识作为模型骨架，以确保其预测了局切合根基的物理法规;同时,利用数据驱动的矫捷性作为内容,对传统物理模型难以精确描述的复杂行为和不确定性进行补充建模，从而在物理一致性与预测能力之间实现有效平衡。。。近年来，这一融合范式已在多种工程利用场景中展示出优良的利用潜力。。。

Guo等 [79]针对深海潜水器钛合金压力壳的蠕变-委顿耦合危险问题，提出一种典型的陆续危险力学-先验信息疏导的BP神经网络(continuum damage mechanics-informed BP neural network,CDM-iNN)模型。。。该工作首先基于CDM理论，成立一个能正确描述室温下蠕变危险与委顿危险相互推进效应的物理模型，并通过有限元步骤天生蕴含1000个样本的高保真数据库。。。随后，以操作压力、、、驻留功夫、、、轴向与周向应力等作为输入，以失效循环数与现实运行功夫作为输出，训练BP神经网络成立急剧预测模型。。。了局批注，该CDM-iNN模型不仅预测精度极高(测试集R?>0.9998),并且预测功夫(约3ms)相较于传统有限元推算(约50~60min)提升4个数量级。。。这项工作诩蚁缢若何利用物理模型天生靠得住训练数据并领导网络结构设计，再利用数据驱动模型实现物理模型的高效代理，从而实现复杂危险演化过程的急剧预测。。。

Song等 [80]在钛合金螺纹滚压成形钻研中,展示了多尺度物理模型与机械学习的深度融合。。。构建一个耦合宏观变形与微观危险演化的多尺度模型，并利用机械学习算法来高效求解该复杂模型。。。固然其利用场景为制作过程，但利用AI加快和加强多尺度物理危险模型的求解与预测能力的步骤，对服役阶段危险演化的预测和分析拥有重要参考价值。。。

只管物理-数据融合模型为突破纯数据驱动步骤的外推能力提供重要蹊径，但在面向现实工程利用的极端环境构件或高温钛基资料设计问题时，仍面对一系列挑战。。。首先，在多尺度、、、多场耦合的复杂力学问题中，模型往往必要同时满足力学守恒、、、热力学一致性、、、本构关系等多重物理约束，使训练过程演化为高度非凸的多约束优化问题,易出现梯度不不变、、、收敛难题等问题;其次，在冲击载荷、、、循环委顿、、、高速变形等动态服役前提下，资料本构关系通常出现显著的蹊径依赖性与强非线性特点,这对机械学习模型的结构设计、、、训练战术及泛化能力提出更高要求。。。此外，资料领域普遍存在样本规模有限、、、尝试数据噪声较大、、、多源数据一致性不及等问题，这进一步增长物理约束与数据驱动模型协同优化的难度。。。若何在有限数据前提下实现不变收敛，并构建兼具物理一致性与预测能力的混合建？？蚣，已成为物理信息驱动资料智能设计必要突破的前沿问题。。。

4.3　构件级数字孪生体的搭建

上述两项技术的最终主张是搭建高保真构件级数字孪生体。。。对于航空发起机双机能钛合金整体叶盘等关键部件，其数字孪生体是一个贯通全性命周期信息的、、、可动态演化的虚构映射，是资料设计模型、、、工艺仿真模型、、、个别制作过程与实时服役数据4个方面的深度融合。。。资料智能设计阶段的热力学数据库以及成分-工艺-机能预测模型为数字孪生体提供资料本征属性的初始知识库。。。Hao等 [81]通过将α→β相变、、、动态再结晶等物理机制显式地嵌入本构模型中，并利用机械学习进行参数优化，成功构建一个能正确描述资料在热变形过程中复杂流变行为的高保真模型。。。这种机理与数据融合的建圭表式，为孪生体精确仿照构件在肆意载荷下的应力-应变响应奠定坚实基础。。。此外数字孪生体可能深度融合特定构件的个别化制作过程,例如在增材制作过程中每层的熔池描摹、、、热力学演化等实时监控数据均可被纪录并用于重构其内部残存应力场与晶粒取向散布。。。Li等 [82]通过量化激光功率、、、扫描速度等关键工艺参数对资料机能的影响权重(如激光功率的特点重要性得分高达0.847),证明精确追忆和复现制作过程参数对于预测最终机能至关重要。。。更重要的是，数字孪生体能够通过机载传感器网络持续接管真实的飞行载荷谱、、、温度场、、、结构响应数据，并以此为驱动进行动态更新。。。

在此基础上，数字孪生体利用多尺度仿真(如晶体塑性有限元)与数据-物理融合的AI模型,动态仿照该特定个别在真实服役环境下的齐全行为。。。Zong等 [83]钻研批注若何利用深度学习模型精准预测微观组织在分歧前提下的时空演化法规,这为孪生体仿照服役过程中的组织退化(如α相粗化)提供关键技术。。。Guo等 [79]基于陆续危险力学,构建既能保障物理一致性、、、又具备毫秒级预测速度的代理模型,用于实时追踪危险累积并预测渣滓使用寿命(remaining useful life,RUL)。。。此外,Bai等提诞性命周期评估(life cycle assessment,LCA)框架,批注数字孪生体的职能可延长至环境影响评估等更宽泛的维度。。。

因而，构件级数字孪生体的输出不再是基于批次统计估计的均匀守旧寿命，而是针对唯一实体的个别化、、、动态化、、、高精度的RUL预测。。。这使得守护战术能够从传统的按时维修或视情维修跃升至预测性守护，在故障产生前精准铺排检修，最大化设备可持续性并从底子上保险飞行安全。。。

5、、、AI+Ti研发范式的思虑

资料研发的范式，深刻塑造着科学发现的效能与蹊径。。。高机能钛基资料因其多组元成分、、、多相(如α、、、β相和ω相)共存、、、复杂相变蹊径以及对热-力过程参数的高度敏感性，持久受困于传统的试错-综合研发模式。。。该范式高度依赖专家先验知识，其流程呈线性、、、串行结构，在高维成分-工艺参数空间中发展索求时，往往面对巨大的尝试成本与功夫价值。。。与此同时，对强度、、、韧性、、、委顿、、、蠕变等宏观机能与微观组织演化、、、缺点演化行为之间复杂的耦合机制，多停顿于唯象层面的定性描述，难以实现由物理机理驱动的定向调控与精准设计。。。近年来，以深度学习为代表的人为智能技术迅猛发展，正深刻推动复杂资料系统研发模式的转型。。。这一刷新并非仅体现为推算工具的迭代升级，更在于从底层逻辑上重新构建高机能钛基资料的发现-理解-创制全过程。。。新一代研发范式以领域知识-数据驱动-算法解析-自动化闭环为主题特点，致力于构建一个可能从多尺度数据中持续学习、、、在虚构与现实空间中迭代优化并不休沉淀与修改领域知识的智能加强系统，如图11所示。。。本节系统论述这一范式转型的内涵逻辑、、、主题支持、、、实际蹊径与深层挑战，为突破该领域持久存在的经验依赖与试错瓶颈、、、实现从认知局限到设计自由的跨越发展，提供系统性思虑。。。

5.1　新范式的主题支持与运行逻辑

新范式的成立依赖于3个相互支持的主题内容，共同组成一个区别于传统模式的全新步骤论内核。。。

(1)数据密集型高通量感知与推算

新范式的起点是数据维度与深度的挖掘。。。针对钛基资料对成分微调、、、间隙元素(O、、、N元素)及热力学演化极端敏感的个性,传统静态、、、单点表征已无法满足需要，取而代之的是多尺度、、、多模态、、、原位/实时的高通量数据流:同步辐射与透射电镜对α/β相改观力学与位错演化的原位观测;增材制作过程中对熔池描摹、、、热梯度、、、冷却速度及β晶粒取向的实时监控;结合第一性道理推算与CALPHAD步骤对Ti-Al-V-Mo-Sn-Zr等多元系统进行高通量相不变性与机能的虚构筛选。。。这些数据共同组成钛基资料数字孪生的感知基础,使对复杂相变行为与机能关联的动态、、、全景式理解成为可能 [4?5,7,84?86]。。。

(2)物理信息加强的模型认知系统

纯数据驱动易陷入黑箱与外推失效。。。鉴于钛基资料的物理机制相对清澈但高度非线性耦合,新范式强调物理信息加强的机械学习，其主题在于将钛合金特有的物理法规(如d电子理论对β相不变性的诠释、、、α/β相变热力学与Johnson-Mehl-Avrami动力学模型、、、晶体塑性各向异性本构关系以及扩散节制的析出长风雅程)作为硬约束或软正则项嵌入神经网络架构。。。例如，将描述α片层形核与粗化的相场方程残差引入损失函数，可使代理模型在预测热处置后组织时自动满足热力学一致性。。。此类模型不仅拟合数据，并且内化物理规定，显著提升在小样本、、、外推区域(如新型多元合金或极端工艺)的预测靠得住性与泛化能力 [87?89]。。。

(3)机械人驱动的自动化尝试闭环

认知必须通过行动验证。。。鉴于钛合金制备对空气纯度、、、成分均匀性及热过程节制极为刻薄，自动化机械人尝试平台成为实现设计-合成-表征-测试闭环的关键物理载体。。。结合自动学习算法，AI可自主提出最具信息增益的下一个尝试(如微合金化成分点或阶梯退火制度),由机械人系统在真空或惰性空气下实现熔炼、、、热机械处置,并自动采集微区成分、、、初生α相比例、、、显微硬度等关键指标，了局即时回馈训练集，驱动模型迭代更新。。。该闭环系统不仅预防科学家反复劳动，并且实现对高维设计空间的定向、、、自动、、、高效索求，加快发现传统步骤难以触及的机能最优区域 [7,90?92]。。。

5.2　范式转型在高机能钛基资料研发中的实际蹊径

上述3大支持正在重塑钛基资料研发的具体实际,重要体此刻以下3个关键方向:

(1)从机能导向到机理嵌入的合金设计

传统设计止步于满足宏观机能指标，新范式深刻至微观机理层面。。。首先，集成CALPHAD热力学数据库与机械学习，精准预测多元系统中β不变当量、、、亚稳相(如ω、、、α"相)析出偏差及相变温度窗口;其次，耦合晶体塑性有限元仿照数据驱动代理模型，定量解析片层α厚度、、、等轴α体积分数、、、晶界α陆续性等组织特点对强度、、、塑性及裂纹偏转蹊径的影响;最后，通过多指标优化天生成分-工艺-组织一体化规划，不仅满足高强高韧要求，并且预设主导变形机制(如TWIP/TRIP效应和界面协调滑移)。。。这一方向标志取从达标向按需定制微观失效蹊径的底子跃迁 [51,93?96]。。。

(2)从工艺窗口到过程智能的制作调控

在激光/电子束增材制作等复杂工艺中，传统步骤依赖宽泛、、、静态的安全窗口，新范式构建基于物理的实时智能调控系统。。。通过同步采集熔池状态、、、热力学演化、、、原位光谱(监测O/N元素传染)等多模态信号，训练深度学习模型动态诊断缺点成因(如未熔合源于能量密度不及、、、脆化源于间隙元素超标);模型驱动执行器实时调整激光功率、、、扫描战术和；；て髁，实现闭环赔偿。。。这种集感知-建模-决策-节制于一体的架构,将钛基资料构件制作从开环节制升级为自适应过程智能，从底子上保峻峭害部件(如发起机叶片)的组织均匀性与机能一致性 [97?99]。。。

(3)从服役查核到寿命预测的机能评估

面对航空航天领域对钛合金在委顿、、、蠕变等多耦合作用下长时服役机能的严苛需要，当前钻研致力于构建跨尺度、、、跨维度的机理关联预测框架。。。该框架依附于原位监测技术，精准捕获资料早期退化特点，涵盖委顿初始阶段驻留滑移带的形成、、、α/β相界面微裂纹的萌活泼力学以及高温蠕变初始亚稳组织的演化蹊径,并将上述微观结构响应与物理危险模型(如基于晶体塑性的委顿批示参数、、、空穴形核与长大动力学)进行系统融合。。。进一步借助迁徙学习或物理信息神经网络等战术,实现从短时加快尝试数据到长时失效寿命的有效映射。。。这一蹊径不仅显著缩短资料查核与认证周期，并且驱动着从传统过后验证模式向寿命可设计的前瞻性工程范式跃迁 [77,79,100?102]。。。

5.3　范式转型面对的深层挑战

只管远景辽阔，新范式的全面落地仍面对4个方面挑战。。。

(1)数据挑战:质量、、、尺度与生态

高质量、、、尺度化、、、可共享的数据生态尚未成立，凸起阐发为:关键数据(如新型高温钛合金在多场耦合下的长时蠕变数据)缺失、、、描述符不统一(对网篮组织、、、片层集束尺寸等关键特点不足量化尺度)和数据壁垒严重(高价值工艺-机能数据分散于军工、、、航空等关闭系统)。。。因而，亟须构建聚焦钛基资料的权威基准数据集，制订涵盖多相、、、各向异性特点的机械可读数据尺度，并成立安全可信的共享激励机制 [103?110]。。。

(2)模型挑战:可诠释性、、、因果性与可信度

当前模型尚未形成对成分/工艺→组织演变→机能全链条因果机制的深度解析能力，大多停顿于统计关联层面。。。例如，模型可预测某成分以提升强度，却难以说明其源于α细化、、、界面强化还是TWIP/TRIP效应。。。若何从高维混合数据中揣度摆布机能的深层物理机制，构建兼具高精度、、、强泛化与物理可诠释性的可信模型，是赢得科学家信赖、、、实现数据拟合向机理认知逾越的关键 [111?117]。。。

(3)融合挑战:跨尺度壁垒与人机协同

从电子结构到介观组织再到宏观机能的跨尺度建模链条存在断点，科学家需在模型中注入先验知识以此来约束AI挖掘的复杂模式，并对其天生的海量规划进行基于物理直觉的战术筛选。。。高效的人机交互框架是挖掘智能研发潜力的主题 [118?120]。。。

(4)工程与认证挑战:从虚构到现实的"最后一公里"

AI设计的梦想组织对工艺颠簸极端敏感,虚构-实体高保真映射仍是巨大工程难题。。。更严格的是，现行航空资料适航认证系统基于确定性物理模型与以往数据，对AI设计的新资料或动态调控的新工艺,不足靠得住性评估尺度与急剧认证蹊径,成为产业化落地的关键阻碍 [121?122]。。。

6、、、瞻望

高机能钛基资料的研发蹊径正被人为智能深刻重塑，贯通机能预测、、、逆向优化设计、、、自主尝试等多个环节，展示出深远的颠覆性潜能。。。然而，在迈向规；；、、、可信任、、、可推广的AI+Ti新阶段过程中,仍面对多重系统性挑战与深层争议。。。将来发展必须超过单纯追求算法精度的局限，转向构建一个科学可信、、、工程靠得住、、、生态可持续的智能研发系统。。。

6.1　非共识性问题

只管人为智能在钛基资料研发中展示出巨大潜力并产生诸多成功范式，但其将来发展仍面对若干深档次、、、尚未形成共识的关键问题。。。这些问题不仅关乎技术路线的选择，并且触及科学哲学、、、知识产权伦理、、、产业生态构建等底子层面。。。

(1)AI在资料研发中的终极角色:从工具到发现者

目前AI在资料科学中的重要利用是凭据钻研人员设定的指标和约束前提进行优化求解，所以其定位还是高效的数据分析工具和壮大的预测代理模型。。。但是，一个更具颠覆性的问题是:AI是否可能超过工具属性，具备自主提出原创性科学问题并设计尝试规划予以验证的能力。。。若成为现实，将从底子上挑战传统科学发现的主体性天堑，引发深刻的哲学与伦理睬商:科学发现的荣誉应归因于算法、、、开发者，还是使用它的钻研者?当前虽有钻研尝试利用大说话模型(large language models,LLMs)从文件中挖掘隐性知识以辅助提出新如果,但距离真正的自主科学发现仍有遥远距离，其可能性与合理性尚存宽泛争议 [123?124]。。。

(2)数据盛开与知识产权的博弈:共享与；；さ牧侥

AI模型提升机能的动力起源于高质量、、、尺度化的数据集。。。学术界普遍提倡开源共享，以为能加快整个领域的知识堆集与技术进取，如Al通过高通量尝试构建的公开数据库为多指标优化提供贵重资源。。。然而工业界视主题工艺与机能数据库为贸易竞争力，不安无前提盛开会直接导致技术优势失落，这是故障AI+Ti发展的底子利益矛盾。。。为弥合这一天堑，学术界提出若干技术规划。。。其中，联邦学习(federated learning)允许各参加方在不共享原始数据的前提下，协同训练一个全局模型;而区块链技术则有望为数据贡献提供可追忆、、、不成篡改的产权证明与价值分配机制。。。然而这些规划在现实工程场景中的有效性、、、安全性与经济性仍有待验证，能否真正成立一个两全创新激励与知识共享的健康生态，目前尚无定论 [125?127]。。。

(3)最佳研发蹊径之争:通用大模型与垂直专用小模型比力

在技术路线上存在分歧:一方主张追随通用人为智能趋向，投入资源构建覆盖所有资料系统的超大规；；∧Ｐ，进展通过海量数据预训练获得壮大的泛化与迁徙能力;另一方以为,资料科学拥有高度的专业性与物理约束，与其追求大而全，不如深耕小而精，主张应着力构建融合领域专业知识的钛基资料专用人为智能系统。。。这类面向特定场景需要的垂直领域模型，可萦绕具体工作指标(如高周委顿寿命预测和微观组织逆向天生)发展深度定制与精密化参数调优，显著提升预测精度与工作适配能力。。。例如，在高温阻燃钛合金资料优化设计当选取的高精度XGBoost代理模型+物理约束疏导的遗传算法框架 [17,99]，正是后一蹊径的实际。。。将来，到底是通用大模型凭借其规模效应最终胜出，还是垂直专用小模型因其物理一致性与工作针对性成为主流，仍是悬而未决的战术性问题 [128?131]。。。

(4)步骤论根基:数据驱动与物理驱动孰为底子

在AI+Ti的步骤论层面，数据驱动与物理驱动范式的底子职位之争尤为凸起。。。物理驱动派强调必须以第一性道理推算、、、相场仿照、、、陆续介质力学等物理模型作为理论基础，不然极易产生违背热力学第二定律或晶体学根基规定的虚构预测，尤其面对稀少数据时风险极高;数据驱动派以为在钛合金这类涉及多尺度、、、多物理场强耦合的极端复杂系统中，构建全域精确的物理模型是一项不成能的工作。。。相比之下，数据驱动步骤凭借其壮大的非线性拟合与模式鉴别能力，在有限数据下往往能获得更优的工程预测精度，展示出更强的普适性与矫捷性。。。此争论直指智能资料研发的步骤论根基。。。当前的共识趋向于深度融合，即以不成违背的物理定律为刚性骨架，对AI模型的输出施加约束;同时以高质量、、、多维度的尝试与仿照数据为内容，驱动模型学习物理模型难以刻画的复杂细节与经验法规，最终形成物理疏导、、、数据精修的混合智能范式。。。但是，若何在分歧场景下最优地平衡二者权重，尚无普适准则 [87?89]。。。

6.2　将来发展方向与建议

随着数据驱动研发范式在资料科学领域的纵深发展，人为智能在高机能钛基资猜中的利用正处于由单一的机能辅助预测向全流程、、、多尺度、、、多物理场耦合的系统性工程逾越 [3]。。。面对航空发起机关键动弹件与承力件对资料危险容限、、、高温热不变性以及极端工况适应性的严苛要求，将来钻研将致力于构建贯通成分设计、、、制备工艺优化和服役行为评价的智能化研发系统。。。本节将从复杂服役行为的精密化预测与机理解析、、、制作过程的智能协同与闭环节制以及钛合金专用物理信息感知模型的构建与演进3个维度，对该领域的将来发展趋向进行深刻论述。。。

(1)复杂服役环境下的资料机能预测与多尺度耦合

在力学机能预测方面，只管目前关于室温拉伸行为的回归建模已获得较为成熟的成就，但是面向高机能钛基资料在复杂服役环境下的机能演化法规，仍存在一系列亟待突破的难题。。。尤其在涉及多轴应力状态、、、高温蠕变与委顿耦合机制以及动态冲击载荷等多元复杂工况时，现有预测步骤在物理建模精度与数据驱动能力方面均显不及，难以全面刻画资料的真实响应行为。。。将来的钻研重心将被导向于成立蕴含多尺度微观组织特点的深度学习架构 [132]。。。具体而言，模型输入端将不再局限于宏观的合金成分配比与热处置温度，而是引入通过推算机视觉与图像宰割技术提取的微观组织定量描述符，如初生α相与次生α相的体积分数、、、晶粒描摹、、、片层厚度、、、晶界取向差散布、、、织构强度等。。。此外，针对委顿寿命精准预测这一关键科学挑战，亟须构建融合断裂力学机理的概率型机械学习模型。。。该模型应重点刻画微观缺点散布的统计法规，量化其对裂纹萌生地位与扩大寿命的贡献权重，从而实现对钛合金高周及超高周委顿极限的精准评估。。。通过引入物理机制约束，可显著降低工程设计中过度依赖安全系数导致的冗余，提升结构效能与靠得住性。。。

在高温抗氧化与阻燃机能方面，单纯的数据驱动建模将被化学-热力学-流体力学耦合机制修改。。。在将来的预测模型构建中，钻研将聚焦于氧化膜成长热力学前提和动力学过程的深刻解析，通过整合合金元素(如铝、、、铬、、、铌元素)在氧化膜与基体界面的扩散系数、、、热力学特点参数以及吉布斯自由能变动，模型可实现对氧化膜的Pilling-Bedworth比、、、内应力演化法规及剥落偏差的精准预测。。。出格是在钛火防控领域，基于现有的激光点火与点火尝试堆集的多维数据，机械学习将被用于构建蕴含热输入密度、、、氧浓度、、、气流速度、、、环境压力、、、合金成分等多变量的高维点火天堑预测图谱。。。通过集成基础 thermodynamics 推算数据(如各组分的饱和蒸气压、、、点火热和绝热火焰温度)与流体力学特点(如熔体黏度和理论张力),构建点火动力学混合模型。。。该模型将在设计阶段筛选出可能通过形成陆续致密氧化层，阻隔氧元素扩散，或利用高黏度熔体流动克制点火区域扩大的新型阻燃钛合金成分，从而大幅降低极端环境测试的试错成本与周期 [3]。。。

(2)全流程工艺参数的智能协同

单一工序的部门调整不再满足对特殊指标机能的定制要求，需推动工艺优化向熔炼-铸造-热处置-机械加工全流程的智能协同节制演进。。。随着传统熔铸及铸造工艺的发展，机械学习改被引入以构建面向多物理场耦合前提下的热变形本构关系。。；；诜制缥露、、、应变速度及变形水平下测得的流变应力数据，可通过模型训练实现对动态再结晶、、、动态回复与相变演化过程的预测。。。以此为基础优化热加工窗口，可能有效躲避流变失稳区域和绝热剪切带的产生，从而在大尺寸构件制作过程中实现微观组织均匀性的有效调控，并最大限度降低残存应力。。。在热处置工艺的设计环节，相场仿照与机械学习算法的协同利用成为重要技术蹊径。。。通过逆向求解战术获取梦想双态组织或网篮组织所需的最佳固溶温度、、、冷却速度与时效工艺参数，进而实现对初生相含量、、、次生相析出特点及其空间散布的精确调控。。。

此外，人为智能在增材制作中的利用将聚焦于过程缺点的实时监测与克制。。。鉴于增材制作过程中涉及极快的热循环(10?~10? K/s)与复杂的熔池动力学,将来的钻研将致力于开发基于多传感器融合的在线监测-实时反馈-参数调整闭环节制系统。。。通过卷积神经网络与循环神经网络等深度学习算法，对加工过程中的熔池光学图像、、、声发射信号、、、热辐射数据及铺粉质量进行实时处置，鉴别未熔合、、、气孔、、、球化、、、微裂纹等缺点特点。。。在此基础上，成立工艺参数(如激光功率、、、扫描速度和扫描间距)与打印件致密度、、、残存应力散布及微观组织织构之间的动态关联模型。。。通过自动学习框架，模型可能在制作过程中动态修改扫描战术与能量输入,以解除各向异性、、、克制柱状晶成长并削减缺点形成,从而制备出机能均一且满足航空适航尺度的增材制作钛合金构件 [133?134]。。。

(3)钛合金专用物理信息感知模型的构建与演进

针对高机能钛基资料研发中普遍存在的数据获取成本高、、、样本量小且高维空间散布稀少的特点,直接利用通用型大数据算法往往面对过拟合风险高或物理可诠释性缺失的问题。。。因而,构建深度融入钛合金领域知识的物理信息感知机械学习模型是将来算法演进的主题方向 [132]。。。

该框架将通过三大主题战术进行系统性重构，首先在特点工程层面将不再局限于传统的元素摩尔分数,而是深度融合物理冶金道理,引入钼当量、、、铝当量、、、价电子浓度、、、d电子轨道能级参数(如Md和Bo)、、、原子半径错配度、、、电负性差、、、混合焓等拥有明确物理意思的复合参数,以此实现对钛合金相不变性、、、固溶强化机理、、、电子结构等内涵机制的精准表征 [4]。。。这种降维处置不仅能有效削减推算负荷,更赋予模型在小样本数据前提下的鲁棒性与泛化能力，使其可能捉拿到暗藏在复杂成分配比背后的物理化学法规。。。此外，为了突破"黑箱限度",必要将模型的可诠释性提升至与预测精度一致重要的职位。。。通过利用SHAP等博弈论诠释工具,可能精确量化各合金元素及工艺参数对指标机能的边际贡献，这不仅有助于验证模型预测逻辑是否切合物理冶金学问(例如验证铝、、、锆元素对α相不变性的正向贡献，或钒、、、钼元素降低β相转变温度的作用),还能通过特点重要性排序为新资料的成分调整提供明确的方向指引，辅助科研人员发现如晶界偏聚、、、短程有序结构等新的强化机制。。。更重要的是,面对高维设计空间中的数据稀少问题,引入自动学习与迁徙学习战术是目前最适配的解决规划。。。构建基于高斯过程回归与贝叶斯优化等算法的采集函数，可能使模型具备尝试蹊径的自主规划能力，在索求未知区域与开发高值区域之间实现自适应平衡。。。该战术通过推荐信息增益最大或机能提升潜力最显著的成分点或工艺点进行验证,并将新天生的尝试数据实时融入数据集驱动模型迭代更新。。。由此可在最小化尝试迭代次数的前提下高效逼近机能帕累托最优天堑。。。同时，还能够利用在低成本钛合金(如Ti-6Al-4V合金)或典型成熟数据库中预训练的模型参数，通过迁徙学习战术利用至高机能但数据稀缺的新型钛基资料系统中，将成为解决小样本难题、、、加快新资料研发周期的有效蹊径。。。

综上所述，人为智能在高机能钛基资猜中的利用正处于由唯象数据拟合向物理机理融合过渡的关键阶段。。。将来通过深度融合伙料基因工程身分、、、先进算法与高通量尝试技术,有望成立起拥有高物理保真度、、、强泛化能力与自主进化特点的钛合金智能研发系统，为新一代高机能钛基资料的急剧迭代与工程化利用提供主题驱动力。。。只管AI+Ti的钻研指标与利用场景千差万别，但其执行通常遵循一个可反复的结构化工作流程，以科学问题为起点，以工程验证为终点，形成闭环迭代的研发范式，确保了钻研的系统性与有效性，

由图12可见，该流程通常始于对科学问题的清澈界定，这一环节为整个钻研过程提供方向和天堑，对后续模型构建与资料设计拥有基础性作用。。。通过明确资料设计指标和利用布景，并据此成立输入变量与输出机能之间的根基关系框架。。。在此基础上，必要构建资料数据层，高质量数据是人为智能驱动资料设计的主题支持，有关信息通常起源于尝试丈量、、、第一性道理推算、、、高通量仿照、、、已有文件数据库等多种渠道，通过数据洗濯、、、整顿与尺度化处置形成可用于模型训练的结构化数据集。。。随后通过特点工程将原始资料信息转化为机械学习可识此外描述符，并将复杂资料系统映射为可学习的特点向量,从而提升模型对结构-机能关系的鉴别能力。。。在模型构建阶段，多种机械学习算法被用于成立资料描述符与指标机能之间的映射关系，从高维数据中提取潜在法规，实现资料机能的急剧预测，并在肯定水平上揭示复杂数据背后的结构-机能关联。。。在获得不变预测能力的模型后，能够进一步发展反向设计与优化，通过在高维成分空间或工艺参数空间中搜索潜在资料组合，以指标机能为导向筛选候选资料,在有限尝试前提下显著提升资料设计效能。。。最后，模型预测得到的候选资料仍需通过尝试制备与多尺度表征进行验证,尝试了局不仅用于验证模型预测的靠得住性，还可能作为新的数据重新反馈至数据库中,用于持续更新模型并优化后续设计过程,从而形成数据、、、模型与尝试协同推动的资料研发闭环。。。

7、、、实现语

AI+Ti的研发已超过初期技术尝试阶段,正步入以解决深层重大科学问题与工程需要为导向的纵深发展期,升级为一场值得深刻理解并最终驾驭高机能钛基资料的认知与范式刷新。。。从底子上说，AI+Ti走向利用端成功与否，关键在于能否实现高机能钛基资料的多尺度物理建模与人为智能算法协同演进，并共同推动人为智能钛科学钻研新范式。。。不仅要用AI创制钛的领域新知识，并且要用钛的强化理论来约束和启迪AI的构建，涉及钛基资料钻研智能体、、、专业说话模型以及逆向设计与机能优化。。。将来，最有力的高机能钛基资料钻研智能体，必将根植于相改观力学、、、缺点物理和使役失效机理的底层逻辑并深度融合于算法模型之中。。。面对AI+Ti数据、、、验证与集成的机缘挑战，必要学术界与工业界构建新型合作生态，共同界说问题、、、创制数据、、、开发工具并重构流程。。。只有这样，AI+Ti能力将深刻认知从原子分列延长至部件机能，在预测、、、设计与制作中开释创新自由，最终为国之重器自主研制奠定坚实的智能基石。。。

参考文件

[1] WU S W, GAO C, HE Y T, et al. Development and application of a data-driven and mechanistic hybrid model for predicting the microstructure and property of hot-rolled Ti micro-alloyed steel[J]. Materials Today Communications,2025,48:113292.

[2] HE Q F, WANG X F, WANG Q, et al. Designing refractory complex concentrated alloys for extreme environments[J]. Current Opinion in Solid State and Materials Science,2026,41:101255.

[3] 弭光宝，孙圆治，吴明宇，等. 机械学习在航空发起机钛合金钻研中的利用进展[J]. 航空制作技术,2024,67(1/2):66-78.

MI G B, SUN Y Z, WU M Y, et al. Applications of machine learning on aero-engine titanium alloys[J]. Aeronautical Manufacturing Technology, 2024, 67(1/2):66-78.

[4] CHAKRABORTY S, BJORK J, DAHLQVIST M, et al. A survey of AI-supported materials informatics[J]. Computer Science Review,2026,59:100845.

[5] MADIKA B, SAHA A, KANG C, et al. Artificial intelligence for materials discovery, development, and optimization[J]. ACS Nano,2025,19(30):27116-27158.

[6] TEZSEZEN E, YIGCI D, AHMADPOUR A, et al. AI-based metamaterial design[J]. ACS Applied Materials & Interfaces,2024,16(23):29547-29569.

[7] CHENG M Y, FU C L, OKABE R, et al. Artificial intelligence-driven approaches for materials design and discovery[J]. Nature Materials,2026,25(2):174-190.

[8] LIU Q, CHEN W L, YAKUBOV V, et al. Interpretable machine learning approach for exploring process-structure-property relationships in metal additive manufacturing[J]. Additive Manufacturing,2024,85:104187.

[9] TANG Y C, WAN Y, WANG Z Q, et al. Machine learning and Python assisted design and verification of Fe-based amorphous/nanocrystalline alloy[J]. Materials & Design,2022,219:110726.

[10] BATTINENI G, CHINTALAPUDI N, AMENTA F. Machine learning in medicine: performance calculation of dementia prediction by support vector machines(SVM)[J]. Informatics in Medicine Unlocked,2019,16:100200.

[11] CECEN A, DAI H J, YABANSU Y C, et al. Material structure-property linkages using three-dimensional convolutional neural networks[J]. Acta Materialia, 2018,146:76-84.

[12] MAIA M A, ROCHA I B C M, KOVA?EVI? D, et al. Physically recurrent neural network for rate and path-dependent heterogeneous materials in a finite strain framework[J]. Mechanics of Materials, 2024, 198:105145.

[13] ZHANG W, LI P Y, WANG L, et al. Prediction of the yield strength of as-cast alloys using the random forest algorithm[J]. Materials Today Communications, 2024,38:108520.

[14] DURODOLA J F. Machine learning for design, phase transformation and mechanical properties of alloys[J]. Progress in Materials Science,2022,123:100797.

[15] XIE T, GROSSMAN J C. Crystal graph convolutional neural networks for an accurate and interpretable prediction of material properties[J]. Physical Review Letters,2018,120(14):145301.

[16] SCHMIDT J, PETTERSSON L, VERDOZZI C, et al. Crystal graph attention networks for the prediction of stable materials[J]. Science Advances,2021,7(49):7948.

[17] MI G B, SUN Y Z, SUN R C, et al. Machine learning assisted optimization design and microstructure-property evolution mechanisms of 600℃ high temperature burn resistant titanium alloys[J]. Materials & Design,2026,261:115381.

[18] CHAI C R, WANG Y, ZHAO S, et al. Machine learning-assisted design of low elastic modulus β-type medical titanium alloys and experimental validation[J]. Computational Materials Science,2024,238:112902.

[19] 弭光宝，孙若晨，吴明宇，等. 航空发起机钛合金分子动力学推算技术钻研进展[J]. 航空资料学报,2024,44(2):87-103.

MI G B, SUN R C, WU M Y, et al. Research progress of molecular dynamic calculation on titanium alloys for aero-engine[J]. Journal of Aeronautical Materials,2024,44(2):87-103.

[20] MORTAZAVI B, ZHUANG X Y, RABCZUK T, et al. Atomistic modeling of the mechanical properties: the rise of machine learning interatomic potentials[J]. Materials Horizons,2023,10(6):1956-1968.

[21] WANG G J, WANG C R, ZHANG X G, et al. Machine learning interatomic potential: bridge the gap between small-scale models and realistic device-scale simulations[J]. Iscience,2024,27(5):109673.

[22] MISHIN Y. Machine-learning interatomic potentials for materials science[J]. Acta Materialia, 2021, 214:116980.

[23] EYERT V, WORMALD J, CURTIN W A, et al. Machine-learned interatomic potentials: recent developments and prospective applications[J]. Journal of Materials Research,2023,38(24):5079-5094.

[24] ALLEN C S, BART?K P. Multi-phase dataset for bulk Ti and the Ti-6Al-4V alloy[J]. Scientific Data,2025,12:1925.

[25] QI J, AITKEN Z H, PEI Q, et al. Machine learning moment tensor potential for modeling dislocation and fracture in L1?-TiAl and D0??-Ti?Al alloys[J]. Physical Review Materials,2023,7(10):103602.

[26] ZHAI B, WANG H P. Accurate interatomic potential for the nucleation in liquid Ti-Al binary alloy developed by deep neural network learning method[J]. Computational Materials Science,2023,216:111843.

[27] CHANDRAN A, SANTHOSH A, PISTIDDA C, et al. Comparative analysis of ternary TiAlNb interatomic potentials: moment tensor vs. deep learning approaches[J]. Frontiers in Materials,2024,11:1466793.

[28] CHANDRAN A, SANTHOSH A, PISTIDDA C, et al. TiAlNb alloy interatomic potentials: comparing passive and active machine learning techniques with MTP and DeePMD[J]. Frontiers in Materials,2025,12:1591955.

[29] MUKHAMEDOV B, TASN?DI F, ABRIKOSOV I A. Machine learning interatomic potential for the low-modulus Ti-Nb-Zr alloys in the vicinity of dynamical instability[J]. Materials & Design,2025,253:113865.

[30] LI H Q, CHENG C, CHEN K Y, et al. Deep learning potential-driven study of multiscale structural and thermodynamic behaviors in PtTi alloys[J]. Journal of Physics and Chemistry of Solids,2026,208:113044.

[31] LOBZENKO I, MORI H, TSURU T. Machine learning potentials for refractory high-entropy alloys applied to atomistic modeling of dislocation slip behavior[J]. Journal of Materials Research and Technology, 2026, 40:3798-3805.

[32] PANDEY A, GIGAX J, POKHAREL R. Machine learning interatomic potential for high-throughput screening of high-entropy alloys[J]. JOM,2022,74(8):2908-2920.

[33] SHEN L J, WANG Y, LAI W S. Development of a machine learning potential for the study of crack propagation in titanium[J]. International Journal of Pressure Vessels and Piping,2021,194:104514.

[34] QANBARIAN M, QASEMIAN A, ARAB B. Molecular dynamics simulation of enhanced heat transfer through conical Al/Cu nanostructures[J]. Computational Materials Science,2020,180:109710.

[35] CHO E, SON W J, CHO E, et al. Atomistic insights into adhesion characteristics of tungsten on titanium nitride using steered molecular dynamics with machine learning interatomic potential[J]. Scientific Reports, 2023,13:17145.

[36] WEN T Q, WANG R, ZHU L Y, et al. Specialising neural network potentials for accurate properties and application to the mechanical response of titanium[J]. npj Computational Materials,2021,7(1):206.

[37] DICKEL D, FRANCIS D K, BARRETT C D. Neural network aided development of a semi-empirical interatomic potential for titanium[J]. Computational Materials Science,2020,171:109157.

[38] SHUANG F, LIU K, JI Y C, et al. Modeling extensive defects in metals through classical potential-guided sampling and automated configuration reconstruction[J]. npj Computational Materials,2025,11(1):118.

[39] LIN S Y, CASILLAS-TRUILLO L, TASN?DI F, et al. Machine-learning potentials for nanoscale simulations of tensile deformation and fracture in ceramics[J]. npj Computational Materials,2024,10(1):67.

[40] MAURYA A K, NARAYANA P L, YEOM J T, et al. Artificial neural network modeling of Ti-6Al-4V alloys to correlate their microstructure and mechanical properties[J]. Materials,2025,18(5):1099.

[41] ALRFOU K, ZHAO T, KORDIJAZI A. Deep learning methods for microstructural image analysis: the state-of-the-art and future perspectives[J]. Integrating Materials and Manufacturing Innovation,2024,13(3):703-731.

[42] MONTALBANO T, NIMER S, DAFFRON M, et al. Machine learning enabled discovery of new L-PBF processing domains for Ti-6Al-4V[J]. Additive Manufacturing,2025,98:104632.

NOHIRA  N， ICHISAWA  T， TAHARA  M， et  al.Machine  learning-based  prediction  of  the  mechanicalproperties of β titanium shape memory alloys[J]. Journal  of  Materials  Research  and  Technology， 2025， 34：2634-2644.

[44] JI Y Z, WANG P, WANG S Q, et al. Machine learning-driven design optimization of high-strength titanium alloys for petroleum industry applications[J]. Journal of Physics: Conference Series,2025,3129(1):012068.

[45] CHE L, HE Z P, ZHENG K Y, et al. Deep learning in alloy material microstructures: application and prospects[J]. Materials Today Communications, 2023,37:107531.

[46] PAN J C, HU D Y, ZHOU L C, et al. Semantic segmentation of defects based on DCNN and its application on fatigue lifetime prediction for SLM Ti-6Al-4V alloy[J]. Philosophical Transactions of the Royal Society A: Mathematical, Physical and Engineering Sciences,2024,382(2264):20220396.

[47] FOTOS G, CAMPBELL A, MURRAY P, et al. Deep learning enhanced Watershed for microstructural analysis using a boundary class semantic segmentation[J]. Journal of Materials Science, 2023, 58(36): 14390-14410.

[48] LIU X G, NIU H Z, ZHAO S Z, et al. Microstructural evolution and prediction of TC18 titanium alloys by high-throughput technology and machine learning[J]. Journal of Alloys and Compounds,2025,1017:179202.

[49] HAO W Q, SHI D Q, LIU C Q, et al. A novel microstructure-informed machine learning framework for mechanical property evaluation of SiC/Ti composites[J]. Journal of Materials Research and Technology, 2024,28:420-433.

[50] ZHU Y C, DU Z X, GONG T H, et al. Accurate reconstruction and prediction of T55511 titanium alloy microstructure using DDPM model and quantitative evaluation[J]. Progress in Natural Science: Materials International,2025,35(4):712-723.

[51] CHEN W M, LING J F, BAI K W, et al. High-throughput studies and machine learning for design of β titanium alloys with optimum properties[J]. Transactions of Nonferrous Metals Society of China, 2024, 34(10):3194-3207.

[52] AN S Y, LI K, ZHU L, et al. A framework for computer-aided high performance titanium alloy design based on machine learning[J]. Frontiers in Materials,2024,11:1364572.

[53] PADHY S P, DAVIDSON K P, TAN L P, et al. Integrated design framework for titanium aluminides through interpretable machine learning[J]. Journal of Alloys and Compounds,2025,1047:184937.

[54] WANG P, JIANG Y, LIAO W J, et al. Generalizable descriptors for automatic titanium alloys design by learning from texts via large language model[J]. Acta Materialia,2025,296:121275.

[55] 弭光宝，谭勇，陈航，等. 增材制作600℃高温钛合金钻研进展[J]. 航空资料学报,2024,44(1):15-30.

MI G B, TAN Y, CHEN H, et al. Progress on additive manufacturing of 600℃ high-temperature titanium alloys[J]. Journal of Aeronautical Materials, 2024,44(1):15-30.

[56] ZHANG F Y, HUANG K H, ZHAO K X, et al. Directed energy deposition combining high-throughput technology and machine learning to investigate the composition-microstructure-mechanical property relationships in titanium alloys[J]. Journal of Materials Processing Technology,2023,311:117800.

[57] MAITRA V, SHI J, LU C Y. Robust prediction and validation of as-built density of Ti-6Al-4V parts manufactured via selective laser melting using a machine learning approach[J]. Journal of Manufacturing Processes,2022,78:183-201.

[58] LEE J A, PARK J, SAGONG M J, et al. Active learning framework to optimize process parameters for additive-manufactured Ti-6Al-4V with high strength and ductility[J]. Nature Communications,2025,16(1):931.

[59] PAN N X, YE X, XIA P, et al. The temperature field prediction and estimation of Ti-Al alloy twin-wire plasma arc additive manufacturing using a one-dimensional convolution neural network[J]. Applied Sciences,2024,14(2):661.

[60] SUN L F, ZHANG H Y, LIU Z D, et al. Physical-information machine learning for strength and ductility prediction of metastable β titanium alloys[J]. Materials Research Letters,2026,14(2):204-213.

[61] WHITNEY B C, SPANGENBERGER A G, RODGERS T M, et al. Part-scale microstructure prediction for laser powder bed fusion Ti-6Al-4V using a hybrid mechanistic and machine learning model[J]. Additive Manufacturing,2024,94:104500.

[62] BALAMURUGAN R, CHEN J, MENG C Y, et al. Data-driven approaches for fatigue prediction of Ti-6Al-4V parts fabricated by laser powder bed fusion[J]. International Journal of Fatigue,2024,182:108167.

[63] ZHU S Y, ZHANG Y, CHEN X, et al. A multi-algorithm integration machine learning approach for high cycle fatigue prediction of a titanium alloy in aero-engine[J]. Engineering Fracture Mechanics,2023,289:109485.

[64] LI S, HAO P F, XU S, et al. Optimization of Johnson-Cook constitutive parameters of titanium alloy based on a machine learning-accelerated genetic algorithm[J]. Materials Today Communications,2025,49:114061.

[65] ZHANG S, ZHANG H Y, LIU X J, et al. Thermal deformation behavior investigation of Ti-10V-5Al-2.5Fe-0.1B titanium alloy based on phenomenological constitutive models and a machine learning method[J]. Journal of Materials Research and Technology, 2024,29:589-608.

[66] HU Z L, LI Q, LIU Y Z, et al. Prediction of near-β titanium alloy hot deformation behavior through phenomenological and machine learning models[J]. Journal of Alloys and Compounds,2025,1042:183847.

[67] XU K, XIAO X L, WANG L J, et al. Data-driven materials research and development for functional coatings[J]. Advanced Science,2024,11(42):2405262.

[68] POLLICE R, DOS PASSOS GOMES G, ALDEGHI M, et al. Data-driven strategies for accelerated materials design[J]. Accounts of Chemical Research, 2021,54(4):849-860.

[69] CHEN T, WU W N, LI W P, et al. Laser cladding of nanoparticle TiC ceramic powder: effects of process parameters on the quality characteristics of the coatings and its prediction model[J]. Optics & Laser Technology,2019,116:345-355.

[70] LIN J T, LIANG Y J, DAI C W, et al. Intelligent optimization of Ti6Al4V alloy surface photolithography parameters via machine learning: a data-driven framework for precision manufacturing in industrial applications[J]. Materials Chemistry and Physics, 2025, 346:131388.

[71] SINGH V, BANSAL A, JINDAL M, et al. Slurry erosion resistance, morphology, and machine learning modeling of plasma-sprayed Si?N?+TiC+VC and CrNi based ceramic coatings[J]. Ceramics International, 2024,50(16):27961-27973.

[72] KOLESNIKOV V I, PASHKOV D M, BELYAK O A, et al. Design of double layer protective coatings: finite element modeling and machine learning approximations[J]. Acta Astronautica,2023,204:869-877.

[73] HAO J, GAO L H, MA Z, et al. Exploration of the oxidation and ablation resistance of ultra-high-temperature ceramic coatings using machine learning[J]. Ceramics International,2022,48(19):28428-28437.

[74] KUMARAN V, MURALIDHARAN B. Prediction of coating layer thickness and surface hardness in electric discharge coating process using RSM, ANN, and ANFIS with ANOVA optimization[J]. Proceedings of the Institution of Mechanical Engineers, Part E: Journal of Process Mechanical Engineering, 2025: 09544089251314753.

[75] LIM J S, OH W J, LEE C M, et al. Selection of effective manufacturing conditions for directed energy deposition process using machine learning methods[J]. Scientific Reports,2021,11(1):24169.

[76] ZHAO Y D, XIANG Y J, TANG K K. Machine learning-based fatigue life prediction of lamellar titanium alloys: a microstructural perspective[J]. Engineering Fracture Mechanics,2024,303:110106.

[77] DANG L W, HE X F, TANG D C, et al. Pore-induced fatigue failure: a prior progressive fatigue life prediction framework of laser-directed energy deposition Ti-6Al-4V based on machine learning[J]. Theoretical and Applied Fracture Mechanics,2024,130:104276.

[78] LI L J, ZHANG R S, ZHAO J C, et al. Ultra-high cycle fatigue life prediction of titanium alloy with small sample size based on the PSO-BP model[J]. Engineering Fracture Mechanics,2025,324:111271.

[79] GUO Y H, WANG S C, LIU G. Creep-fatigue life prediction of a titanium alloy deep-sea submersible using a continuum damage mechanics-informed BP neural network model[J]. Ocean Engineering,2024,311:118826.

[80] SONG X, HAN N, QI H P, et al. Study on the damage mechanism of titanium alloy threads during roll forming based on a machine learning-assisted multi-scale damage model[J]. International Journal of Solids and Structures,2026,328:113830.

[81] HAO Y, DENG L, LIU Z, et al. Constitutive modeling of TC18 titanium alloy incorporating dynamic phase transformation and recrystallization with machine learning assistance[J]. Journal of Alloys and Compounds,2025,1047:184982.

[82] LI W B, CAI Z S, BAO K, et al. A big data approach to artificial intelligence driven predictive modelling for optimizing material properties in additive manufacturing[J]. Scientific Reports,2026,16(1):286.

[83] ZONG B T, LI J S, WANG P, et al. Spatiotemporal microstructure evolution during martensitic transformation in titanium alloys using deep learning[J]. Acta Materialia,2025,301:121603.

[84] BAI X P, ZHANG X C. Artificial intelligence-powered materials science[J]. Nano-Micro Letters, 2025,17(1):135.

[85] GOSWAMI L, DEKA M K, ROY M. Artificial intelligence in material engineering: a review on applications of artificial intelligence in material engineering[J]. Advanced Engineering Materials, 2023, 25(13):2300104.

[86] HUANG J S, LIEW J X, ADEMILOYE A S, et al. Artificial intelligence in materials modeling and design[J]. Archives of Computational Methods in Engineering,2021,28(5):3399-3413.

[87] CIFTCI K, HACKL K. A physics-informed GAN framework based on model-free data-driven computational mechanics[J]. Computer Methods in Applied Mechanics and Engineering,2024,424:116907.

[88] RAISSI M, PERDIKARIS P, KARNIADAKIS G E. Physics-informed neural networks: a deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations[J]. Journal of Computational Physics,2019,378:686-707.

[89] ZHONG W H, MEIDANI H. PI-VAE: physics-informed variational auto-encoder for stochastic differential equations[J]. Computer Methods in Applied Mechanics and Engineering,2023,403:115664.

[90] LIU Z H, CHAI Y B, LI J F. Toward automated simulation research workflow through LLM prompt engineering design[J]. Journal of Chemical Information and Modeling,2025,65(1):114-124.

[91] GAO F Y, ZHANG W W, LIU X T, et al. Review: recent progress in titanium alloys development via machine learning and high-throughput preparation[J]. Journal of Materials Science, 2025, 60(37): 16655-16683.

[92] CAO Y, FU H, LU J, et al. Artificial intelligence empowered new materials: discovery, synthesis, prediction to validation[J]. Nano-Micro Letters, 2026,18(1):109.

[93] ZHANG X H, RAN X, WANG Z, et al. Designing laser powder bed fusion low-alloyed titanium with superior strength-ductility trade-off via machine learning[J]. Journal of Materials Science & Technology,2025, 237:323-330.

[94] LIU Z, ZHANG H, ZHANG S, et al. A machine learning method approach for designing novel high strength and plasticity metastable β titanium alloys[J]. Progress in Natural Science: Materials International, 2025,35(1):156-165.

[95] WANG Z, ZHANG H, WANG S, et al. A machine learning method based on TPE-XGBoost model for TRIP/TWIP near-β titanium alloy design[J]. Materials Today Communications,2024,41:110309.

[96] LIU Z, ZHANG H, SUN L, et al. A machine learning multitasking integrated framework and its derived [Mo]eq-[Fe]eq map for designing TRIP titanium alloys[J]. Materials & Design,2025,260:115254.

[97] PAN J Y, SHI R H, ZHANG Z H, et al. Composition-deformation mechanism-property machine learning model for strength-ductility improvement of β-type titanium alloys[J]. International Journal of Plasticity,2025,194:104461.

[98] YAN H, LI Q, YANG B, et al. Modeling and prediction method for Young's moduli of Ti alloys based on residual muti-layer perceptron[J]. JOM,2025,77(1):76-90.

[99] SUN Y Z, MI G B, LI P J, et al. Prediction of oxidation resistance of Ti-V-Cr burn resistant titanium alloy based on machine learning[J]. npj Materials Degradation,2025,9(1):3.

[100] LIU Y, GAO X X, ZHU S Y, et al. Fatigue life prediction of selective laser melted titanium alloy based on a machine learning approach[J]. Engineering Fracture Mechanics,2025,314:110676.

[101] LUO J J, QIN B, WANG B. Generative adversarial network-based data augmentation for improving creep life prediction of high-temperature titanium alloys[J]. Materials Science and Engineering: A,2026,950:149513.

[102] ZHU S Y, ZHANG Y, ZHU B C, et al. High cycle fatigue life prediction of titanium alloys based on a novel deep learning approach[J]. International Journal of Fatigue,2024,182:108206.

[103] GUO K, YANG Z Z, YU C H, et al. Artificial intelligence and machine learning in design of mechanical materials[J]. Materials Horizons,2021,8(4):1153-1172.

[104] WANG L, DONG J, ZHANG W J, et al. Deep learning assisted optimization of metasurface for multi-band compatible infrared stealth and radiative thermal management[J]. Nanomaterials,2023,13(6):1030.

[105] BALLARD Z S, JOUNG H A, GONCHAROV A, et al. Deep learning-enabled point-of-care sensing using multiplexed paper-based sensors[J]. npj Digital Medicine,2020,3:66.

[106] WILKINSON M O, ANDERSON R S, BRADLEY A, et al. Neural bandwidth of veridical perception across the visual field[J]. Journal of Vision, 2016,16(2):1.

[107] HERRIOTT C, SPEAR A D. Predicting microstructure-dependent mechanical properties in additively manufactured metals with machine- and deep-learning methods[J]. Computational Materials Science, 2020,175:109599.

[108] CHOUDHARY K, DECOST B, CHEN C, et al. Recent advances and applications of deep learning methods in materials science[J]. npj Computational Materials,2022,8(1):59.

[109] XU P C, JI X B, LI M J, et al. Small data machine learning in materials science[J]. npj Computational Materials,2023,9(1):42.

[110] DAGDELEN J, DUNN A, LEE S, et al. Structured information extraction from scientific text with large language models[J]. Nature Communications, 2024,15(1):1418.

[111] MERENDA M, PORCARO C, IERO D. Edge machine learning for AI-enabled IoT devices: a review[J]. Sensors,2020,20(9):2533.

[112] ZHONG X T, GALLAGHER B, LIU S S, et al. Explainable machine learning in materials science[J]. npj Computational Materials,2022,8(1):204.

[113] XIE Y F, FENG S, DENG L X, et al. Inverse design of chiral functional films by a robotic AI-guided system[J]. Nature Communications, 2023, 14(1):6177.

[114] DOS REIS F, KARATHANASOPOULOS N. Inverse metamaterial design combining genetic algorithms with asymptotic homogenization schemes[J]. International Journal of Solids and Structures,2022,250:111702.

[115] RUTKOWSKI S, BUEKERS J, RUTKOWSKA A, et al. Monitoring physical activity with a wearable sensor in patients with COPD during in-hospital pulmonary rehabilitation program: a pilot study[J]. Sensors, 2021,21(8):2742.

[116] NAZIR A, GOKCEKAYA O, MD MASUM BILLAH K, et al. Multi-material additive manufacturing: a systematic review of design, properties, applications, challenges, and 3D printing of materials and cellular metamaterials[J]. Materials & Design,2023,226:111661.

[117] BADINI S, REGONDI S, PUGLIESE R. Unleashing the power of artificial intelligence in materials design[J]. Materials,2023,16(17):5927.

[118] BUEHLER E L, BUEHLER M J. End-to-end prediction of multimaterial stress fields and fracture patterns using cycle-consistent adversarial and transformer neural networks[J]. Biomedical Engineering Advances, 2022, 4:100038.

[119] MACHADO J, SOUSA R, PEIXOTO H, et al. Ethical decision-making in artificial intelligence: a logic programming approach[J]. AI,2024,5(4):2707-2724.

[120] SCHOMMARTZ J O, KLEIN D K, ALZATE COBO J C, et al. Physics-augmented neural networks for constitutive modeling of hyperelastic geometrically exact beams[J]. Computer Methods in Applied Mechanics and Engineering,2025,435:117592.

[121] JIANG X, XUE D Z, BAI Y, et al. AI4Materials: transforming the landscape of materials science and engineering[J]. Review of Materials Research, 2025, 1(1):100010.

[122] OIKAVA Y, DEFFRENNES G, SHIMAYOSHI R, et al. aLLoyM: a large language model for alloy phase diagram prediction[J]. npj Computational Materials, 2026,12(1):97.

[123] SZYMANSKI N J, RENDY B, FEI Y X, et al. An autonomous laboratory for the accelerated synthesis of inorganic materials[J]. Nature,2023,624(7990):86-91.

[124] MERCHANT A, BATZNER S, SCHOENHOLZ S S, et al. Scaling deep learning for materials discovery[J]. Nature,2023,624(7990):80-85.

[125] BOULEMTAFES A, DERHAB A, CHALLAL Y. A review of privacy-preserving techniques for deep learning[J]. Neurocomputing,2020,384:21-45.

[126] QAYYUM A, IJAZ A, USAMA M, et al. Securing machine learning in the cloud: a systematic review of cloud machine learning security[J]. Frontiers in Big Data,2020,3:587139.

[127] JAIME F J, MU?OZ A, RODR?GUEZ-G?MEZ F, et al. Strengthening privacy and data security in biomedical microelectromechanical systems by IoT communication security and protection in smart healthcare[J]. Sensors,2023,23(21):8944.

[128] WANG L W, CHAN Y C, AHMED F, et al. Deep generative modeling for mechanistic-based learning and design of metamaterial systems[J]. Computer Methods in Applied Mechanics and Engineering, 2020, 372:113377.

[129] KIM Y, KIM Y, YANG C, et al. Deep learning framework for material design space exploration using active transfer learning and data augmentation[J]. npj Computational Materials,2021,7(1):140.

[130] KIYMIK E, ERCELEBI E. Metamaterial design with nested-CNN and prediction improvement with imputation[J]. Applied Sciences,2022,12(7):3436.

[131] LEE D, CHAN Y C, CHEN W W, et al. T-metaset: task-aware acquisition of metamaterial datasets through diversity-based active learning[J]. Journal of Mechanical Design,2023,145(3):031704.

[132] 谢建新，宿彦京，薛德祯，等. 机械学习在资料研发中的利用[J]. 金属学报,2021,57(11):1343-1361.

XIE J X, SU Y J, XUE D Z, et al. Machine learning for materials research and development[J]. Acta Metallurgica Sinica,2021,57(11):1343-1361.

[133] LU Y, ZHANG Q, CHEN Y K, et al. Recent advances in metal hybrid additive manufacturing: a comprehensive review[J]. International Journal of Extreme Manufacturing,2026,8(3):032010.

[134] WANG S, ZHOU L, ZHONG S Y, et al. Recent advances in metal additive manufacturing: materials design and artificial intelligence applications[J/OL]. Engineering, 2026. https://doi.org/10.1016/j.eng.2025.11.033.

（注，原文标题：人为智能驱动高机能钛基资料设计与制作的钻研进展：机缘与挑战_弭光宝）