东北大学数字钢铁全国重点实验室(DSL)徐伟教授团队近五个月围绕机制与数据双向驱动的材料设计主题获得系列化成果，在多个顶级期刊连续发表文章，其中包括Nature Communications 17 (2026) 5672、Nature Communications 17 (2026) 10207以及Acta Materialia 321 (2026) 122819、Acta Materialia 321 (2026) 122827等。文章主要作者为徐伟教授、李亦庄教授、王晨充教授、王灵禺副教授、于皓副教授以及团队博士研究生庄乾铎、付佳博、董广起、周梓烨。
机制与数据是近年来推动金属结构材料领域发展的两架马车，两者虽然都在各自的领域起到了显著的牵引作用，但两者的独立发展与浅层交互居多，并未完全形成共同牵引、深度融合等“1+1>2”的效果。在全国重点实验室“数字钢铁”研究理念的指导下，徐伟教授团队在积极拥抱数据驱动新技术的同时，持续深耕以钢铁材料为主的金属结构材料相变与力学机制研究，逐步构建了机制与数据间的深度互融通道，形成了数据驱动助力新机制挖掘、新机制指导数据分析能力提升的双向流通方法与体系，打破传统材料学研究范式与人工智能新研究范式间的技术壁垒。
徐伟教授团队在本年度的系列化研究成果，充分展现了在钢铁材料等金属结构材料体系下机制研究与数字化研究的相互促进作用，更进一步印证了数字钢铁全国重点实验室面向钢铁全流程，融合冶金、材料、人工智能、集成计算等多学科多理论研究路线的合理性。“机理 + AI”的研究思路在相变机制表征、多智能体集成等技术手段的助力下，必可在未来的材料学研究中发挥更大的创新与引领作用。
图1 机制与数据双向流通的合金设计
在基于晶体原位生成机制的近理论强度材料开发方面，该研究面向“近理论强度难以走出纳米尺度”的长期难题，从物理冶金机制出发，提出基于晶体原位生成机制的材料设计新路径，通过钢中共晶凝固原位形成微米尺度单晶TiB2，在晶体生长过程中显著降低孔洞、微裂纹等致命缺陷。由此，TiB2在真正微米尺度下仍表现出数十GPa级拉伸强度和最高9%的弹性拉伸应变。与传统依赖极端尺寸缩小来获得近理论性能相比，该方法从材料制备机制出发实现缺陷调控，为近理论强度材料由纳米尺度向可应用微米尺度拓展提供了新的物理冶金路径。相关工作以“Achieving near-theoretical strength and high elasticity in micrometer scale TiB2 ceramics”为题发表于Nature Communications期刊。
论文链接: https://doi.org/10.1038/s41467-026-74750-1
图2 基于晶体原位生成机制的近理论强度材料开发
在奥氏体不锈钢屈服延伸现象的相变机制解析方面，亚稳奥氏体不锈钢在晶粒细化与预应变强化过程中易发生不连续屈服与Lüders带传播，导致变形局部化，制约板材成形质量与服役安全。该研究突破传统仅以马氏体含量解释屈服延伸现象的认知局限，首次系统揭示屈服转变源于奥氏体基体加工硬化能力与变形需求之间的失衡，并阐明奥氏体与马氏体两相强度差对屈服行为及Lüders带演化模式的关键控制作用。研究从两相强度匹配与加工硬化协同作用的全新视角揭示屈服转变本质，为Lüders带精准调控及高强钢板精密成形提供了新的理论依据。相关工作以“Influence of strength contrast between austenite and martensite on the yield point elongation phenomenon in a metastable austenitic stainless steel”为题发表于Acta Materialia期刊。
论文链接: https://doi.org/10.1016/j.actamat.2026.122827
图3 奥氏体不锈钢屈服延伸现象的相变机制解析
在凝固机制指导人工智能的增材制造合金设计方面，该研究创新性构建凝固机制知识图谱，将成分、工艺与凝固行为的机制关联融入人工智能。相比仅输入物理参数的方法，该图谱显式表达物理联系，实现定性冶金知识与定量数据协同利用，并考虑缺陷波动与预测不确定性，提高小样本下合金设计的可靠性。该研究仅用142组数据，设计的镍基合金缺陷面积分数仅为0.037%～0.133%，兼具优异蠕变性能，一举打破了增材制造高温合金可打印性与蠕变性能的互斥关系。该方法还成功迁移至高致密铝合金设计，以更少实验协同提升成形质量与服役性能，为增材制造合金设计提供高效、可推广的新路径。相关工作以题为“Knowledge-informed graph attention networks enable defect-free alloy design for laser additive manufacturing”发表于Nature Communications期刊。
论文链接: https://doi.org/10.1038/s41467-026-77119-6
图4 凝固机制指导人工智能的增材制造合金设计
在数据驱动智能体助力韧性机制自主挖掘方面，该研究创新性建立了领域内首见报道的机制自主挖掘智能体，该智能体可以通过自动化的数据分析，总结数据中包含的相变机制关系，并形成相比人为经验判断更为客观合理的物理冶金机制图谱，以指导合金设计。通过该智能体发现的“Mo元素→R相界面能→韧性”核心机制链，助力了高强钢体系下多种高韧性合金方案的成功设计，设计的新合金在保证强度不损失的同时韧性最高提升幅度达50%。充分证明了相比于传统仅依靠表征实验与专家经验判断的机制解析方式，基于数据驱动智能体的机制挖掘方法更加高效便捷。相关工作以题为“Autonomous Mechanism Discovery in Tough Alloy Design via Causal Reinforcement Learning on Knowledge Graphs”发表于Acta Materialia期刊。
论文链接: https://doi.org/10.1016/j.actamat.2026.122819
图5 数据驱动智能体助力韧性机制自主挖掘
