山东省陶瓷协会
淄博市陶瓷琉璃产业链推进办公室
淄博市传统产业发展中心
山东领瓷展览有限公司
机器学习在合金设计中的应用正深刻变革传统材料研发模式。长期以来，合金开发主要依赖"试错法"，面临研发周期长（10-20年）、成本高（单次实验达数万美元）等瓶颈，尽管第一性原理计算提供了理论支持，但其计算复杂度随原子数指数级增长，难以处理多组分体系。这一困境随着材料数据革命的到来得到破解：Materials Project等开源数据库已收录超过15万种材料计算数据，结合高通量技术（如组合材料芯片可单次生成10^4-10^5个成分样本），为机器学习提供了坚实基础。通过随机森林、图神经网络（如MEGNet在带隙预测中达90%+准确率）等算法，研究者能高效建模成分-工艺-性能关系，贝叶斯优化等主动学习方法更可将实验迭代减少70-80%。典型案例包括清华团队用SVM筛选高熵合金固溶体条件（准确率>92%）、日立公司通过深度强化学习发现超耐蚀新成分。当前前沿已发展到生成式设计（如MatGAN预测新型超导体）和全自动机器人实验室（如伯克利A-Lab日均完成100次实验），但小数据困境、模型可解释性等挑战仍存。在国家战略推动下，该领域正以每年200%+的论文增速发展，预计到2030年，机器学习将覆盖50%以上的新材料研发流程，特斯拉等企业已开始部署工业级应用，标志着材料研发正式进入智能时代。
在人工智能时代下，AI for science以及成为科学研究的主要趋势，基于机器学习的合金设计正在重塑合金设计的研究范式。基于机器学习的合金设计通过数据驱动颠覆传统试错模式，显著加速新材料研发进程，较传统方法大大缩短了研发周期。本次培训由来自海外QS80高校专家主讲，主讲教师在基于机器学习的合金成分设计、合金性能预测等领域有这丰富的研究经验。
机器学习在合金设计领域的应用及其发展现状 1 基础导论： 课程目标、合金设计痛点与ML解决路径 领域发展史：从经验设计→CALPHAD→ML的范式演变 核心应用场景：成分优化/相预测/性能映射/逆向设计案例 2 数据基石 数据来源：Materials Project/ICSD/OQMD数据库实战检索 特征工程：原子半径/电负性/价电子数等描述符构建 数据清洗：缺失值处理/异常值检测/标准化演示 3.算法全景 监督学习：回归vs 分类任务在合金中的典型模型 无监督学习：聚类分析发现合金家族（PCA+t-SNE可视化） 强化学习：动态成分优化框架概念解析 4挑战与前沿 数据瓶颈：小样本学习/迁移学习解决方案 可解释性：SHAP值分析高熵合金性能主导因素 趋势讨论：生成式模型/多尺度建模最新论文解读 基于机器学习合金的成分-性能模型实战 上午：介绍各种合金系元素配比及其服役性能（力学性能、化学性能等），利用机器学习预测、解释合金成分与性能间的关系。 利用机器学习模型研究合金成分与力学性能、化学性能等之间的关系，预测与解释不同合金成分配比下的服役性能，以及不同合金成分对服役性能的影响。 下午：课程案例实战 利用机器学习模型预测不同合金成分下的服役性能 1.建立数据库的方法 2.利用不同的机器学习模型，建立合金成分与服役性能之间关系，预测不同合金成分配比下的服役性能（代码讲解与运行） 大节 小节 内容详情 2.1 建模基础 2.1.1 问题定义 成分→性能预测任务拆解 2.1.2 特征构造 Magpie库自动生成元素特征 + 交互项衍生 2.1.3 基线模型 多元线性回归与决策树快速验证 2.2 进阶模型 2.2.1 集成方法 随机森林优化关键超参数 2.2.2 支持向量机 核函数选择与网格搜索（RBF vs Poly） 2.2.3 神经网络 3层MLP实现与Dropout防过拟合 2.3 模型评估 2.3.1 验证策略 2.3.2 评价指标 MAE/RMSE/R² 针对连续变量解读 2.3.3 误差分析 残差图定位系统性偏差样本 2.4 优化部署 2.4.1 超参调优 Bayesian Optimization库自动搜索 2.4.2 特征选择 RFECV递归特征消除实战 2.4.3 轻量化部署 Flask封装模型为API调用演示 基于机器学习合金的微观组织-力学性能预测实战 上午：介绍不同合金系的结构特点，包括微观结构，介观结构与宏观结构，利用机器学习研究多尺度结构与力学性能之间的关系。 下午：课程案例实战 利用机器学习研究合金微观组织结构与力学性能的关系 1.微观组织图片特征提取与筛选，建立数据库 2.利用不同的机器学习模型，建立微观组织与力学性能之间关系，预测不同合金组织下的服役性能（代码讲解与运行） 案例：GBDT预测高温合金γ'相尺寸对强度影响实战 大节 小节 内容详情 3.1 数据表征 3.1.1 图像获取 SEM/EBSD/TEM数据格式与预处理 3.1.2 特征提取 晶粒尺寸/相比例/取向差统计方法 3.1.3 图神经网络 晶界网络拓扑结构表征（PyG初步） 3.2 传统方法 3.2.1 物理模型 3.2.2 经典ML SVM预测屈服强度 3.2.3 特征融合 成分+组织特征联合输入提升精度 3.3 深度学习 3.3.1 CNN架构 U-Net分割多相组织（PyTorch实现） 3.3.2 迁移学习 ResNet微调预测疲劳寿命 3.3.3 多任务学习 同步预测强度/延伸率 基于机器学习利用成分进行合金相场预测实战 上午：介绍常见的生成式AI：VAE, GAN以及他们的衍生模型的基本原理，介绍生成式AI在合金设计中的应用，如生成微观组织，对组织进行分类与识别等。 下午：课程实践与案例分析 利用GAN来生成微观组织结构图片 利用GAN学习工艺参数、合金成分与微观组织之间的关系 1.代码讲解 2.利用GAN生成熔池图片 3.生成图片质量评估 案例：基于GAN的指定成分生成高熵合金显微组织 大节 小节 内容详情 4.1 相场基础 4.1.1 物理原理 Cahn-Hilliard方程与自由能泛函 4.1.2 数值模拟 FiPy库相场模拟演示（沉淀相粗化） 4.1.3 计算瓶颈 传统模拟耗时问题引入ML加速需求 4.2 替代模型 4.2.1 数据生成 参数化扫描构建相场数据集 4.2.2 LSTM预测 时间序列预测相演化路径 4.3 前沿方法 4.3.1 生成对抗网络 GAN生成微观组织演化序列 4.3.2 图卷积网络 预测多晶体系晶界迁移 4.3.3 主动学习 自适应采样减少模拟次数 第五天：基于机器学习的合金微观组织解析实战 上午：介绍利用机器学习来自动化或增强对材料微观组织图像（如金相、扫描电镜、透射电镜等）的分析和理解过程。
