发生了什么
编辑丨& 金属材料的性能，很大程度上写在微结构里。晶粒大小、形貌以及晶体取向共同决定材料在受力时如何发生塑性变形，而晶界等界面区域尤其包含大量与力学响应有关的信息。传统研发往往需要不断调整成分和热加工参数，再通过实验观察微结构和力学性能的变化，这种依靠经验反复试验的方式，在需要同时提高多项性能时尤其困难。 9 月 30 日发表于《Nature Communications》的「Generative design of high-fidelity microstructures using physics-aware machine learning」中，西北工业大学的团队把问题换成了一个逆向设计过程：已经知道想要什么样的力学性能，能否让机器学习直接提出对应的微结构。 研究团队选择镍基高温合金 Inconel 625 作为模型体系，只使用 25 组实验测得的微结构图像及其对应的屈服强度、延伸率数据作为初始数据。研究目标则很明确，同时提高强度和延展性，而这两项指标在材料设计中通常存在较强的权衡。 论文链接： https://www.nature.com/articles/s41467-026-78118-3 让模型学会微结构 研究第一步，并非是要求模型生成结构并加以修改，在此之前，模型需要准确理解已有微结构中的物理特征。 25 张原始 EBSD 微结构图像，每张分辨率为 800×1000 像素。研究人员把每张图切分为 8 个 100×100 像素的小区域，由此获得 2000 个图像块，再通过旋转、翻转、模糊、畸变、腐蚀和膨胀等操作扩充为 7.2 万个训练样本。 在此之中，模型不再只计算像素之间是否相似。对于金属微结构来说，一条清晰的晶界和晶粒内部轻微的颜色变化，并不具有同等的物理意义。 图 1：高保真微观结构生成与逆向设计的物理感知框架。 因此研究团队把损失函数拆成三个部分：像素级损失 Lpix、专门强调边界的 Ledge，以及描述整体结构关系的 LSSIM。Sobel 算子被用于提取晶界等边缘信息，而 LSSIM 进一步约束晶粒内部的晶体取向结构。 只使用像素损失时，生成图像中的晶界容易变得模糊，同一个晶粒内部还可能出现物理上不合理的取向噪声；加入三种损失之后，晶界更加清晰，晶粒内部的取向也更一致。测试集上的像素损失最终从约 0.20 降到了约 0.10。 进一步比较晶粒面积、晶粒长短轴以及 3 个欧拉角等 6 项物理特征后，重建结果与原始数据也保持了较好的一致性。 寻找训练集之外的结构 有了能够保留微结构物理特征的生成模型，下一步就轮到材料的设计。 研究团队采用变分自编码器（VAE）把复杂的微结构压缩到潜空间中，再利用非支配排序遗传算法 NSGA-II 在其中寻找同时满足两项性能目标的区域。 图 2：原始与重建微结构之间的物理一致性比
编辑丨& 金属材料的性能，很大程度上写在微结构里。晶粒大小、形貌以及晶体取向共同决定材料在受力时如何发生塑性变形，而晶界等界面区域尤其包含大量与力学响应有关的信息。传统研发往往需要不断调整成分和热加工参数，再通过实验观察微结构和力学性能的变化，这种依靠经验反复试验的方式，在需要同时提高多项性能时尤其困难。 9 月 30 日发表于《Nature Communications》的「Generative design of high-fidelity microstructures using physics-aware machine learning」中，西北工业大学的团队把问题换成了一个逆向设计过程：已经知道想要什么样的力学性能，能否让机器学习直接提出对应的微结构。 研究团队选择镍基高温合金 Inconel 625 作为模型体系，只使用 25 组实验测得的微结构图像及其对应的屈服强度、延伸率数据作为初始数据。研究目标则很明确，同时提高强度和延展性，而这两项指标在材料设计中通常存在较强的权衡。 论文链接： https://www.nature.com/articles/s41467-026-78118-3 让模型学会微结构 研究第一步，并非是要求模型生成结构并加以修改，在此之前，模型需要准确理解已有微结构中的物理特征。 25 张原始 EBSD 微结构图像，每张分辨率为 800×1000 像素。研究人员把每张图切分为 8 个 100×100 像素的小区域，由此获得 2000 个图像块，再通过旋转、翻转、模糊、畸变、腐蚀和膨胀等操作扩充为 7.2 万个训练样本。 在此之中，模型不再只计算像素之间是否相似。对于金属微结构来说，一条清晰的晶界和晶粒内部轻微的颜色变化，并不具有同等的物理意义。 图 1：高保真微观结构生成与逆向设计的物理感知框架。 因此研究团队把损失函数拆成三个部分：像素级损失 Lpix、专门强调边界的 Ledge，以及描述整体结构关系的 LSSIM。Sobel 算子被用于提取晶界等边缘信息，而 LSSIM 进一步约束晶粒内部的晶体取向结构。 只使用像素损失时，生成图像中的晶界容易变得模糊，同一个晶粒内部还可能出现物理上不合理的取向噪声；加入三种损失之后，晶界更加清晰，晶粒内部的取向也更一致。测试集上的像素损失最终从约 0.20 降到了约 0.10。 进一步比较晶粒面积、晶粒长短轴以及 3 个欧拉角等 6 项物理特征后，重建结果与原始数据也保持了较好的一致性。 寻找训练集之外的结构 有了能够保留微结构物理特征的生成模型，下一步就轮到材料的设计。 研究团队采用变分自编码器（VAE）把复杂的微结构压缩到潜空间中，再利用非支配排序遗传算法 NSGA-II 在其中寻找同时满足两项性能目标的区域。 图 2：原始与重建微结构之间的物理一致性比
为什么重要
需要你自己点开原文确认一次，这里给的是摘要与判断。
需要你自己点开原文确认一次，这里给的是摘要与判断。
跟你有什么关系
能转：做内容的话，这条多半能直接变成一个选题或一段工作流。
能转：做内容的话，这条多半能直接变成一个选题或一段工作流。
以上判断为规则生成的初稿，发布前请润色。
判定理由
评分 0 / 100