基于知识图谱的因果强化学习实现强韧合金设计中的自主机制发现
《Acta Materialia》:Autonomous Mechanism Discovery in Tough Alloy Design via Causal Reinforcement Learning on Knowledge Graphs
【字体:
大
中
小
】
时间:2026年09月27日
来源:Acta Materialia 10.7
编辑推荐:
摘要
设计韧性合金——即马氏体时效钢,主要通过整合计算材料工程(ICME)与领域知识引导的人工智能(AI)进行探索,其核心依赖于准确物理机制的引入。然而,机制的发现与量化仍然依赖于耗时费力的实验表征和专家解读,且容易引入主观偏差。这些挑战限制了设计具有满意韧性的合金的准确性和
摘要
设计韧性合金——即马氏体时效钢,主要通过整合计算材料工程(ICME)与领域知识引导的人工智能(AI)进行探索,其核心依赖于准确物理机制的引入。然而,机制的发现与量化仍然依赖于耗时费力的实验表征和专家解读,且容易引入主观偏差。这些挑战限制了设计具有满意韧性的合金的准确性和效率。在此,我们提出了一种基于动态知识图的因果强化学习框架,用于直接从已发表的文献数据中自主发现机制。在该框架中,强化学习智能体在因果原则的指导下迭代地修剪图结构,以识别影响关系,同时将预测性能的改善作为奖励信号。将该框架应用于超高强马氏体时效钢后,框架从高质量文献数据中学习,并自主揭示了"Mo含量→界面能→韧性"这一机制链,这是传统方法容易忽视的。在该机制的指导下,AI框架识别出多种具有优异强度-韧性协同效应的合金候选材料。此外,该模型表现出强大的泛化能力,在域外和数据稀缺条件下仍能维持较高的预测精度,而传统模型在这些条件下性能严重下降。通过这种知识引导的AI策略,韧性控制机制可以从文献数据中自动总结,从而大大减少通过实验方法揭示机制的复杂性,并加速韧性合金的开发效率。该方法可扩展到其他涉及有争议机制的性能设计中。
引言
马氏体时效钢是结构工程材料和先进高强度钢中最重要的一类,因其卓越的强度、良好的韧性和优异的耐腐蚀性而著称[[1], [2], [3]]。这些合金的优异性能源于多种因素之间的协同作用,包括合金成分和沉淀硬化过程[4,5]。因此,建立成分、工艺、显微组织和性能之间的定量关系对于合金设计和优化至关重要。近年来,知识驱动的人工智能(AI),即将物理冶金与计算智能相结合的方法,作为一种变革性的方法应运而生[6]。通过嵌入领域知识来指导和约束数据驱动探索,这类方法能够实现更高效、更合理的以性能为导向的材料设计与发现。它们已经在解决微观结构识别[7]和复杂性能预测[8,9]等基本问题中展现了巨大的潜力。
对于常规服役条件,马氏体时效钢的两大主要性能目标是强度和韧性。在强度预测与设计方面,基于微观结构演化的模型取得了系统性进展,使得多种马氏体时效钢的强度设计成为可能[[10], [11], [12], [13]]。这些方法包括基于整合计算材料工程(ICME)原理的物理模型[[14], [15], [16], [17], [18]],以及领域知识引导的AI模型[19,20]。尽管方法不同,这些强度预测框架大致遵循共同的逻辑:使用Taylor方程从量化的位错密度评估马氏体基体的基强度,使用Hall-Petch关系从晶粒尺寸评估,而沉淀强化则通过Orowan机制从析出物尺寸和体积分数估算。这一框架使得将目标强度分解为可通过多尺度表征量化的具体微观结构参数成为可能。例如,Shen等人通过纳入此类微观结构描述符,开发了一种AI辅助设计策略,用于超高强马氏体时效钢[19]。后续研究进一步将该范式扩展到更高维度的微观结构特征,包括多相沉淀[20,21]。因此,常规马氏体时效钢的强度设计已发展为一个多层次、定量合理的设计框架。最近,AI与领域知识的进一步整合增强了这一成熟范式的性能和效率[[22], [23], [24], [25], [26]]。
强度设计中实现的高精度和高效性,建立在相对稳定且被广泛接受的强化机制之上。然而,当关注点转移到更为复杂的强度-韧性同时优化问题时,关键困难在于不同合金体系中韧性控制机制的多样性。一些研究表明,提高韧性的主导策略是利用相变诱发塑性(TRIP)效应,即回火马氏体在裂纹尖端吸收能量。这一过程主要由回火马氏体薄膜所实现,通常厚度为3-40 nm,通过定制的低温处理和时效过程中明显的Ni富集形成。原子探针断层扫描表明,这些区域的Ni含量可达约40 at.% [27],这大大提高了马氏体稳定性,从而改善韧性[28]。另一方面,许多研究仍然强调马氏体基体(而非回火马氏体)在韧性控制中的核心作用。在这种观点下,韧性可以通过提高Ni含量来促进螺位错滑移和更均匀的变形[29],或通过细化微观结构来增加大角晶界比例从而阻碍裂纹扩展[30]。然而,韧性预测仍然是一个根本性的艰巨挑战。韧性断裂本质上是一种多尺度失稳现象——跨越微米尺度夹杂物的主孔洞增长、韧窝局部化和由亚微米微孔洞驱动的最终孔洞合并——它无法被简化为任何单一长度尺度或简单描述符[31,32]。控制参数不是夹杂物体积分数本身,而是间距、形貌和界面结合力的复杂卷积,所有这些都以强非线性方式控制孔洞合并的临界应变[[33], [34], [35], [36]]。这种多尺度、三维的特征使得实验解构极其费力,而基于物理的建模则异常困难,使韧性成为结构合金主要力学性能中最难以处理的特性。正是这种难以处理的特性促使我们摒弃传统的假设驱动探索方式。我们提出,控制韧性的耦合机制可以从已报道的数据中自主提取,从而规避人工解读固有的偏差和高昂的时间成本。
需要注意的是,无论主导的增韧机制是什么,沉淀特征的作用都不容忽视,因为它们对于强度和韧性的协同改善至关重要。然而,沉淀物影响韧性的机制仍然缺乏充分理解。它们在不同合金体系中的作用差异显著,难以建立通用机制。在某些体系中,纳米沉淀物直接使马氏体时效钢脆化并降低韧性。例如,在Cu/NiAl强化的低碳马氏体时效钢中,过时效期间细分散的可切变纳米沉淀物倾向于成为裂纹起始点,从而降低低温冲击韧性[37]。类似地,在Fe-Ni-Co基马氏体时效钢中,过时效期间形成的粗大非共格Ni3(Ti,Mo)沉淀物是脆性断裂的主要原因[38]。相反,控制沉淀物界面和结构可以改善韧性。例如,晶界Mo偏聚抑制了Ni和Ti偏聚,导致降低韧性的Ni3Ti沉淀物发生纳米级细化。因此,裂纹起始被抑制,断裂模式从脆性转变为韧性[39]。这些实验观察表明,沉淀物并非必然损害韧性;相反,通过有意的界面和结构设计,其作用可以得到正向调控。
因此,对于不同马氏体时效钢体系的强度-韧性协同优化,识别控制模型构建的机制描述符至关重要,但仍存在实验成本高和挑战性大的问题。能够自主发现此类耦合机制的AI方法将显著加速预测模型和合金设计策略的开发。然而,大多数现有AI方法将相关因素视为离散且相互独立的变量,使其可解释性在很大程度上局限于统计相关性,而非真正的机制性或因果性推断。这种局限性在广泛使用的方法中显而易见,包括Pearson相关性分析[[40], [41], [42], [43]]和基于SHAP(SHapley加性解释)的特征归因[[44], [45], [46]]。
为解决这一局限性,我们提出了一种在动态知识图上运行的因果强化学习框架,并将其应用于马氏体时效钢中长期存在的实现强度-韧性协同的挑战。该框架有两个核心目标。首先,它主动识别数据中隐藏的耦合物理机制,从而不仅大幅减少通过实验发现此类机制所需的时间,还最大限度地减少人类经验引入的主观偏差。其次,它在数据稀缺条件下保持稳健性,同时能够在未探索的设计空间中进行可靠的外推。通过系统地识别和嵌入所发现的机制,所提出的框架引导AI快速识别多种具有优越强度-韧性协同效应的合金方案。本工作为复杂合金设计建立了一种新范式,并为材料科学中AI驱动的自主机制发现提供了可推广的蓝图。
数据与数据预处理
本研究从文献中编译了一个包含53个超高强(UHS)不锈钢样本的数据集[47]。对于每个样本,数据集包括合金成分、时效工艺参数、硬度和夏比冲击能量。所有钢材均为马氏体不锈钢,通过均匀化、淬火和时效工艺处理。时效温度和保温时间作为连续工艺描述符在静态图中处理,使框架能够识别预测性能。
力学性能预测
如第2.2节所述,开发了SteelKGCN模型,用于从合金成分和工艺参数预测力学性能。图3a和3b显示了硬度和夏比能量的预测均值散点图,以及相应的误差条。对于硬度,训练集上的预测值与实验值吻合良好,不确定度较小,R2达到99.4%(±0.2%),平均绝对误差(MAE)为0.51 HRCA。
韧性的因果链
如上所述,从优化图中推导出的合金始终表现出较高的界面能,而使用原始图设计的合金在该参数上表现出不规则变化。这一区别直接促成了优化框架的优异预测精度。在韧性预测误差最大的合金中,Mo含量变化显著。特别是,使用优化图设计的合金含有4.16 wt.% Mo,这是结论。
结论
本研究提出了一种在动态知识图上运行的因果强化学习(RL)框架,使AI从固定共识机制下预测的工具进化为主动发现机制的框架。以超高强马氏体时效钢为例,该方法为通过合金设计突破强度-韧性权衡这一长期存在的挑战提供了新的解决方案。本主要结论如下:(1)通过分析数据。
数据和代码可用性
支持本研究结果的数据可由通讯作者根据合理请求提供,代码也可由通讯作者根据合理请求提供。
披露声明
作者未报告任何潜在利益冲突。
CRediT作者贡献声明
Ziye Zhou:撰写-初稿,验证,软件,方法论,调查,形式化分析,数据整理。Chenchong Wang:撰写-审阅与编辑,监督,项目管理,方法论,形式化分析,概念化。Lingyu Wang:撰写-审阅与编辑,调查,形式化分析,数据整理。Qingquan Lai:撰写-审阅与编辑,资源,调查,形式化分析。Qi Liu:资源,调查,数据整理。Wei Xu:撰写-审阅与。Ziye Zhou|Chenchong Wang|Lingyu Wang|Qingquan Lai|Qi Liu|Wei Xu
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号