东北大学数字钢铁全国重点实验室徐伟教授团队近两月面向AI for Microstructure主题下的系统性方法研究，连续三期发表了Acta Materialia 289 (2025) 120936、Acta Materialia 292 (2025) 121073、Acta Materialia 295 (2025) 121167以及Scripta Materialia 260 (2025) 116581四篇高水平研究成果。团队主要作者为徐伟教授、王晨充副教授和魏晓蓼特聘副研究员。论文的主要作者还包括团队博士研究生马旭东、韩思宇。
近年来，“AI for Science”作为继经验、理论、计算和数据驱动之后的第五科学范式，正引领跨学科研究的深度融合与范式转型。在材料科学领域，人工智能为加速材料性能预测和新材料设计带来了前所未有的机遇，特别是在复杂金属结构材料如先进钢铁材料的设计中展现出巨大潜力。然而当前的“AI for Science”方法仍以成分、工艺、性能等结构化数据建模为主，钢铁材料“成分/工艺—组织—性能”关系中最为核心的显微组织这一层面的建模亟需AI方法助力，而目前尚缺乏相关的方法论。
针对此问题，东北大学徐伟教授团队围绕“AI for Microstructure”主题，针对金属结构材料显微组织分析的语义分割大模型、自监督生成式模型、多模态卷积网络模型、物理信息迁移学习模型等多种人工智能策略构架，构建了系列化的人工智能方法，以应对包括普适性金属结构材料显微组织识别、显微组织图像预测、力学机制反向解析、复杂性能预测与合金设计在内的多种类任务。具体内容包括:
图1 AI for Microstructure的方法体系开发与应用领域
1.基于图像大模型的显微组织识别
金属材料的显微组织识别及定量化对于了解其性能至关重要。当前，基于监督学习算法和基于大模型的微调方法受到了广泛的关注，但均需要图像标注和针对特定任务的额外训练。SAM作为自然图像领域的大模型，具有良好的零镜头分割能力，可以快速获得实例分割结果。徐伟教授团队将该模型与基于领域知识的后处理相结合，在领域内首次提出了一种用于合金显微组织相分割的通用算法。该方法利用SAM获得初始分割结果，而后结合领域知识制定统一的后处理规则，无需额外训练即可实现不同合金体系显微组织的快速分割。该方法成功应用于多种合金体系的显微组织识别，包括高碳钢的球化物识别、热成形钢的碳化物识别、镍基高温合金的相分割等。值得注意的是，该方法在没有额外训练的情况下，其分割准确率可与带有标注和特定任务训练的监督模型相近。并且在不同数据量下，该模型都能稳健地处理各种合金图像中的复杂组织，具有比监督学习模型更好的鲁棒性，且大幅减少了领域内组织识别工作对于标签数据的需求。相关工作以题为“Alloy microstructure segmentation through SAM and domain knowledge without extra training”发表于Scripta Materialia期刊。
论文链接: https://doi.org/10.1016/j.scriptamat.2025.116581
2.基于生成式模型的显微组织预测与设计
显微组织是多相合金中“成分/工艺-组织-性能”关联的核心。当前主流的基于人工智能的合金设计流程虽部分考虑了显微组织定量信息，但这些信息往往无法反映真实显微组织的拓扑复杂性，因而“成分/工艺-复杂真实组织图像-性能”关联也难以构建。针对上述问题，徐伟教授团队提出了一种结合深度生成模型的以真实显微组织图像为中心的合金设计框架（VAE-DLM）。该框架结合变分自编码器和多层感知机，前者可将真实的显微组织图像编码到潜在空间，同时将潜在空间向量解码回真实组织；后者根据潜在空间向量直接预测成分、工艺和性能。在模型准确预测基础上，将该框架进一步与特定潜在空间采样方式相结合，构建面向UniDP统一成分双相钢的成分/工艺和显微组织优化设计策略。基于该策略设计的UniDP钢经实验验证可满足DP780、DP980和DP1180三个性能级别，成本低于商用合金。且更为重要的是，其可以实现对于设计方案的显微组织图像预测，大幅提升人工智能设计结果的合理性与可解释性。经实验验证，计算设计的到的组织图像预测结果和实验验证实测的组织图像有很好的一致性。除此之外，该研究表明，引入真实的显微组织图像信息，构建完整的“成分/工艺-组织-性能”链条能够显著提升模型的泛化能力。此外，该研究通过与不考虑显微组织信息机器学习方法的设计结果对比，证明了VAE-DLM框架的实用性与可靠性。研究结果为其他多相合金的设计提供了新的思路。相关工作以题为“Structure-to-Process Modeling Drives Experimentally Validated Unified Dual-Phase Steel”发表于Acta Materialia期刊。
论文链接: https://doi.org/10.1016/j.actamat.2025.121167
3.基于多模态深度学习的力学响应机制分析
金属结构材料的加工硬化行为等力学响应机制的普适分析与机制深化是长期以来的领域研究热点。传统基于晶体塑性理论的力学建模方法虽然具备良好的物理基础，但在实际应用中，为准确反映显微组织-力学性能内在关系，需构建复杂的晶体塑性本构方程，并针对不同成分与工艺校准参数，制约了模型的普适性与建模效率。针对上述问题，徐伟教授团队提出了晶体塑性指导多模态深度学习的新方法（CP-CNN）以分析力学响应机制。具体而言：通过点乘方式深度耦合数值和图像模态信息，使成分、工艺和局部应力分布数据在物理约束下相互融合。最终，融合后的特征矩阵输入卷积神经网络，确保在保持物理可解释性的同时，实现双相钢应力-应变曲线、加工硬化行为及颈缩起始点的准确预测，平均预测精度达96.6%。更为重要的是，该模型成功捕捉了塑性变形过程中相界区域的应力集中特征。在无需修改本构参数的前提下，模型能够在不同体系下保持一致的变形机制识别能力，体现出对微观力学响应过程的良好表征能力，为进一步开展材料力学机制的普适性深化研究提供了基础支撑。相关工作以题为“Fitting-free mechanical response prediction in dual-phase steels by crystal plasticity theory guided deep learning”发表于Acta Materialia期刊。
论文链接: https://doi.org/10.1016/j.actamat.2025.120936
4．组织演化机制指导迁移学习的长时服役性能预测与设计
金属结构材料的长时服役性能与其显微组织演化密切相关，例如耐热钢的“析出相粗化-蠕变性能”关联。针对耐热钢蠕变性能的可靠预测与高效优化设计问题，徐伟教授团队提出了一种融合组织演化机制与迁移学习策略的不确定性感知深度学习框架（PM-TR-BCNN）。该框架结合了短时拉伸性能与蠕变性能间的耦合关系，并引入与析出相粗化演化相关的物理强化因子，在贝叶斯神经网络中实现蠕变寿命及预测可信度的联合建模。在模型准确预测基础上，研究进一步结合多目标遗传算法，构建了面向蠕变寿命和预测不确定性的合金优化设计策略。在650 °C/140 MPa条件下，基于该策略成功设计出3种新型耐蠕变钢，其中性能最优合金的蠕变寿命较现有材料提升超过一倍。实验证实模型预测值与真实寿命高度一致，验证了该框架的实用性与可靠性。除此之外，该研究表明，将组织演化机制相关的物理冶金知识（如析出强化机制）和小样本迁移学习有效结合，能够显著提升模型的泛化能力。此外，该工作还系统揭示了不确定性建模在合金设计过程中的关键作用。研究结果为耐高温合金的快速、稳健设计提供了全新思路。相关工作以题为“From creep-life prediction to ultra-creep-resistant steel design: An uncertainty-informed machine learning approach”发表于Acta Materialia期刊。
论文链接: https://doi.org/10.1016/j.actamat.2025.121073
徐伟教授团队在本年度的系列化研究成果，充分展现了AI for Microstructure方法对材料学科发展的重要促进意义，以及大力推进该领域创新式研发的核心价值。进一步探索AI算法构架变革，使其更为适用于材料显微组织的识别、预测、深化信息挖掘，可以对领域内的性能预报、机制解析与合金设计等研究方向发展起到变革式的促进作用。
