编辑丨&
金属材料的性能与其微结构密切相关，晶粒大小、形貌及晶体取向决定了材料的塑性变形能力。传统研发依赖“试错法”，难以同时优化多项性能指标。
9月30日，西北工业大学团队在《Nature Communications》发表题为「Generative design of high-fidelity microstructures using physics-aware machine learning」的研究，提出一种基于物理感知机器学习的微结构逆向设计方法。研究以镍基高温合金 Inconel 625 为模型，仅用25组实验数据，成功实现了强度与延展性的同步提升，突破了传统材料设计中的性能权衡难题。
论文链接：https://www.nature.com/articles/s41467-026-78118-3
构建物理感知的生成模型
研究首要任务是让模型准确理解微结构中的物理特征，而非简单地进行图像生成。
团队将25张分辨率为 800×1000 像素的原始 EBSD 微结构图像切分为2000个图像块，并通过旋转、翻转、模糊等数据增强手段扩充至7.2万个训练样本。针对金属微结构的特性，研究团队改进了损失函数，将其拆分为三部分：像素级损失（Lpix）、边界强调损失（Ledge）以及结构相似性损失（LSSIM）。其中，Sobel算子用于提取晶界边缘信息，LSSim则约束晶粒内部的晶体取向一致性。
图 1：高保真微观结构生成与逆向设计的物理感知框架。
实验结果显示，引入多重损失函数后，生成图像的晶界更加清晰，晶粒内部取向噪声显著降低，测试集像素损失从约0.20降至0.10。在晶粒面积、长短轴及欧拉角等6项物理特征的对比中，重建结果与原始数据保持高度一致。
潜空间搜索与逆向优化
在建立高保真生成模型后，研究团队利用变分自编码器（VAE）将复杂微结构压缩至潜空间，并结合非支配排序遗传算法（NSGA-II）寻找同时满足高强度和高延展性的最优区域。
图 2：原始与重建微结构之间的物理一致性比较。
为确保生成结构的物理可实现性，团队利用 VAE 潜空间的连续性进行平滑搜索，避免产生失真结构。通过对潜变量进行插值或外推，模型能够探索训练数据之外的新结构区域。
图 3：微观结构的逆向优化框架及结果。
优化结果表明，候选结构偏离了原始数据分布，呈现出晶粒细化趋势，并出现了训练集中不存在的双峰晶粒尺寸分布特征。统计显示，优化后的结构中超细晶粒（面积≤0.4 μm²）数量增加，同时保留了部分粗晶粒。
模拟验证与实验制备
研究并未止步于理论生成，而是通过多尺度模拟与实验进行了严格验证。
首先，团队将生成微结构输入晶体塑性有限元（CPFE）模型进行宏观拉伸响应计算。结果显示，两个优化方案的屈服强度和延伸率与机器学习设定目标高度吻合。
随后，研究人员依据现有工艺实际制备了具有双峰晶粒结构的 Inconel 625 合金。EBSD 表征证实合金形成了清晰的双峰晶粒分布，实验拉伸曲线也与 CPFE 模拟结果相符，进一步验证了机器学习优化目标的有效性。
该研究通过物理约束下的模型搜索，结合模拟与实验验证，成功发现了一种训练数据中未出现的新型微结构，为高性能材料的逆向设计提供了数据高效且具备明确物理解释的新范式。