東北大學軋制技術與連軋自動化國家重點實驗室徐偉教授團隊近期在ActaMater.79 （2019）201-214發表題為Physical metallurgy-guided machine learning and artificial intelligent design of ultrahigh-strength stainless steel的研究成果，文章第一作者為實驗室博士研究生沈春光，共同通訊作者為王晨充、徐偉。

論文鏈接：https://doi.org/10.1016/j.actamat.2019.08.033

材料基因工程是近年興起的材料領域前沿方向，旨在通過對集成計算與數據庫技術等手段的綜合運用，實現材料研發成本與周期的降低。隨著集成計算思想和數據挖掘技術的發展，材料基因工程在諸多新型高性能金屬材料的研發中取得了顯著的成效。然而，由于鋼鐵結構材料的成分工藝設計涉及大量對復雜耦合關系的分析，并受到諸多爭議性機理的制約，因此基于材料基因思想的鋼鐵材料設計一直是領域內的國際性熱點與難點問題。

隨著大數據時代的到來，機器學習算法為解決復雜體系下的工藝設計與優化提供了可行之道。盡管現今基于機器學習的材料設計方法已經獲得了若干成功案例，但是多數研究中使用的設計手段只是運用機器學習算法，在統計數學層面上直接構建“成分/工藝-目標性能”之間的強關聯，而忽視了傳統材料設計思想中最為關注的顯微組織特征等物理冶金學信息，這種設計方式不單極大地阻礙了對設計結果內在物理機制的理解，更導致設計方式存在對數據數量的極大依賴，從而為模型的設計效率提升和普適性推廣造成了極大的困難。

針對基于傳統機器學習算法的鋼鐵材料設計中的以上瓶頸問題，徐偉教授團隊從物理冶金學與機器學習算法融合的角度出發提出了以物理冶金學為指導的機器學習方法。在該設計方法中，通過使用與強度高度相關的物理冶金參數對原始數據集中進行增維處理，不僅可以將物理冶金信息融入機器學習過程，還可以充分挖掘原始數據內在信息，提升數據質量，最終獲得了具有優良泛化能力的預測模型。隨后將該預測模型與高通量遺傳算法尋優相結合形成了高效的合金計算設計框架。

基于該設計框架在10^2小樣本數據集下成功設計出新型超高強不銹鋼，相比于原始數據集，設計合金體系不僅獲得強度提升而且明顯低合金含量。除此之外，通過對比無物理冶金學參與的設計過程清晰地揭示了物理冶金信息參與機器學習性能預測時對模型性能與設計效率的提升能力。研究結果為基于小樣本機器學習算法的鋼鐵材料設計，以及機器學習算法中物理可解釋性的提升提供了可行思路。