当前位置：首页>郑州>郑州大学任景莉团队 | 一种基于生成式人工智能的非晶合金智能设计新框架

郑州大学任景莉团队 | 一种基于生成式人工智能的非晶合金智能设计新框架

2026-03-11 14:06:11

原文信息：Li S C, Cui J Z, Ren J L. Generative AI inversely designs amorphous alloys with customized properties. Sci China Tech Sci, 2026, 69(1): 1120406,https://doi.org/10.1007/s11431-025-3103-5

研究内容

非晶合金因其优异的力学、磁学和热学性能，在高端装备、能源与电子器件等领域具有广阔的应用前景。然而，其高度复杂的多组分特性在提供性能调控空间的同时，也使成分设计与多性能协同优化面临严峻挑战，尤其是在多目标性能之间普遍存在内在制约关系的情况下，亟需高效、精准的研发策略。

针对这一问题，本研究围绕“多目标性能约束下的材料逆向设计”这一核心科学问题，提出了一种基于生成式人工智能的非晶合金智能设计新框架。与以往方法不同，新框架并非直接从性能跳转到成分，而是将材料设计过程拆解为“性能—性能—成分”两个层级的建模与生成问题。

首先，引入循环一致变分自编码器，对多目标性能空间进行统一表征，在低维潜空间中学习不同性能之间的统计关联与相互制约关系，并通过循环一致约束避免生成不符合物理规律的性能组合，从源头上保证设计目标的合理性。在此基础上，研究进一步将经过验证的多目标性能组合作为条件输入，引入循环一致条件变分自编码器，引导模型在高维成分空间中学习“满足给定性能约束的合金成分分布”。该生成过程不再依赖大规模随机搜索，而是通过条件潜空间采样，定向生成符合综合性能要求的新型非晶合金成分，实现材料设计从“被动筛选”向“主动创造”的实质性转变。

为增强算法在真实材料研发场景中的可靠性，研究还构建了多层后处理与验证机制：一方面，引入量子复值神经网络判别模型，利用量子态表征与复值特征学习能力，对生成合金是否具备非晶结构进行高精度判别；另一方面，结合网格过滤与相似度排序策略，对生成结果进行去冗余、稳健筛选与优先级排序。围绕饱和磁强度、矫顽力与玻璃化转变温度三项关键性能开展的系统设计与对比验证表明，该框架能够稳定生成在统计分布、元素–性能关联及多目标一致性方面均与实验数据高度一致的非晶合金成分，验证了算法在多目标逆向设计问题上的有效性与泛化能力。

图1 多目标属性驱动的材料逆向设计框架流程图

本研究构建了一种以多目标性能为核心驱动因素的非晶合金智能设计新范式，通过显式建模并利用性能之间的内在制约关系，使材料设计过程不再依赖事后筛选，而是在生成阶段即嵌入物理一致性约束，从而显著提升多性能协同设计的效率与成功率。该框架在方法论上实现了从“性能预测工具”向“性能驱动生成引擎”的转变，不仅为复杂非晶合金体系的快速研发提供了可行路径，也为面向定制化、多约束需求的复杂材料设计提供了一种具有通用性的算法范式，具备良好的可扩展性与迁移潜力。

本文创新点

1. 提出基于“性能—性能—成分”分层建模的非晶合金逆向设计算法框架

通过引入循环一致变分自编码器，对多目标性能空间进行独立建模与一致性验证，显式刻画饱和磁强度、矫顽力与玻璃化转变温度之间的内在制约关系，为后续成分生成提供物理合理的性能先验。

2. 构建多目标性能条件约束下的定向成分生成机制

基于循环一致条件变分生成模型，将多目标性能作为生成条件嵌入潜空间采样过程，使模型能够学习高性能非晶合金在高维成分空间中的潜在分布结构，实现满足综合性能需求的新合金成分的定向生成。

3. 融合量子神经网络与多层筛选策略，提升生成结果的可信度与工程可用性

结合量子复值神经网络的高精度相判别能力，以及网格过滤与相似度排序等后处理机制，对生成合金成分进行多层验证与筛选，显著增强算法在真实材料研发与实验验证中的稳定性与实用性。

4. 提出面向小样本与稀有元素的分层数据划分与融合策略

针对非晶合金数据中元素分布高度不均衡、部分元素样本极少的问题，设计了一种将低频元素样本显式引入训练与测试过程的数据划分策略，显著增强模型对样本缺少元素特征的学习与泛化能力，为小样本、多组分材料体系的智能建模提供了可复用的数据处理范式。