上海大學(xué)《Materials Today》綜述：機器學(xué)習(xí)在金屬增材制造中的機遇與挑戰(zhàn)！

上海大學(xué)《Materials Today》綜述：深入探討機器學(xué)習(xí)在金屬增材制造中的數(shù)據(jù)稀缺、物理引導(dǎo)、以及邁向端到端的挑戰(zhàn)

上海大學(xué)科研團隊聯(lián)合國內(nèi)外5家高校, 近期在相關(guān)領(lǐng)域權(quán)威期刊《Materials Today》發(fā)表綜述論文。系統(tǒng)性地聚焦于數(shù)據(jù)稀缺性和物理信息這兩大核心瓶頸，提出了從數(shù)據(jù)生成、物理知識驅(qū)動、到端到端的完整技術(shù)路線，為機器學(xué)習(xí)在金屬增材制造中的深度應(yīng)用提供了清晰的路線圖。

https://authors.elsevier.com/c/1n2y24tRoWgo02

主要作者：Kai Guo, Songzhe Xu*，Chaoyue Chen*，Zhongming Ren.

作者單位：上海大學(xué), 新加坡國立大學(xué)，伊利諾伊大學(xué)香檳分校，東北大學(xué)，中國科學(xué)院金屬所，北京鋼研高納科技股份有限公司

發(fā)表期刊：Materials Today

大類及分區(qū)：材料科學(xué) 1區(qū)Top

影響因子：22.0

【引言】

機器學(xué)習(xí)（ML）為破解金屬增材制造（MAM）中工藝-組織-性能關(guān)聯(lián)復(fù)雜導(dǎo)致的質(zhì)量管控難題，提供了強有力的輔助。然而，當(dāng)前ML在MAM領(lǐng)域的深度應(yīng)用仍面臨兩大困境：數(shù)據(jù)嚴(yán)重稀缺導(dǎo)致模型泛化能力不足，黑箱特性使預(yù)測結(jié)果缺乏物理可信度。針對這些瓶頸，研究團隊提出了從數(shù)據(jù)生成與融合到物理信息引導(dǎo)、再到端到端自主學(xué)習(xí)的漸進式發(fā)展路線。研究指出，現(xiàn)階段應(yīng)以數(shù)據(jù)高效利用和物理知識融合為突破口，通過高通量實驗與模擬、主動學(xué)習(xí)采樣、多模態(tài)數(shù)據(jù)融合等技術(shù)克服數(shù)據(jù)稀缺困境；同時借助物理信息機器學(xué)習(xí)彌合數(shù)據(jù)驅(qū)動與物理認知之間的鴻溝，提升模型的可解釋性與外推能力；遠期隨著數(shù)據(jù)標(biāo)準(zhǔn)化和自動化水平的提升，大規(guī)模運營數(shù)據(jù)將推動金屬增材制造從物理信息引導(dǎo)逐步過渡到端到端自主學(xué)習(xí)，最終實現(xiàn)真正的自主進化制造。

【研究亮點】

?聚焦數(shù)據(jù)稀缺瓶頸：深入探討高通量實驗與表征、高通量模擬、主動學(xué)習(xí)采樣、大語言模型數(shù)據(jù)提取、多模態(tài)與多保真度數(shù)據(jù)融合等多種前沿策略，系統(tǒng)性地破解MAM數(shù)據(jù)不足的困境。

?可解釋性突破：明確指出可解釋性與準(zhǔn)確性之間存在的權(quán)衡關(guān)系，并通過分類介紹數(shù)據(jù)集級、特征級、模型結(jié)構(gòu)級和損失函數(shù)級四種物理信息融合方法，為解決黑箱問題提供全面指導(dǎo)。

?前瞻性技術(shù)路線圖：提出知識圖譜驅(qū)動的RAG智能體、高保真數(shù)字孿生、具身智能三階段發(fā)展路線，最終實現(xiàn)自優(yōu)化的閉環(huán)自主制造。

?系統(tǒng)性分類框架：首次對MAM中的物理信息機器學(xué)習(xí)方法進行系統(tǒng)分類，厘清了"物理信息"概念的邊界，為后續(xù)研究提供了標(biāo)準(zhǔn)化參考。

【圖文解析】

1.數(shù)據(jù)生成：高通量實驗與模擬

MAM領(lǐng)域數(shù)據(jù)稀缺的根本原因在于實驗成本高、周期長。針對這一問題，研究團隊系統(tǒng)總結(jié)了多種高通量數(shù)據(jù)生成策略。在實驗層面，通過配備多個送粉器的DED系統(tǒng)和獨立粉倉的LPBF系統(tǒng)，可實現(xiàn)成分梯度合金的快速制備。在模擬層面，GPU加速技術(shù)大幅提升了MAM仿真的效率——基于GPU的瞬態(tài)傳熱模型將LPBF熱模擬從50分鐘縮短至僅8秒，為機器學(xué)習(xí)模型提供了充足的高質(zhì)量訓(xùn)練數(shù)據(jù)。

2.數(shù)據(jù)采樣：主動學(xué)習(xí)與大語言模型

在數(shù)據(jù)稀缺的情況下，如何高效地采樣最關(guān)鍵的數(shù)據(jù)點至關(guān)重要。主動學(xué)習(xí)通過采集函數(shù)智能地推薦下一個最值得實驗的數(shù)據(jù)點，可在保持精度的同時將標(biāo)注需求降低20%~70%。此外，大語言模型和AI Agent技術(shù)為從海量文獻中自動化提取結(jié)構(gòu)化數(shù)據(jù)開辟了新途徑。研究團隊特別指出，RAG（檢索增強生成）技術(shù)相比傳統(tǒng)的LLM微調(diào)更具優(yōu)勢——通過動態(tài)更新的向量數(shù)據(jù)庫，RAG可在不重新訓(xùn)練模型的情況下實時檢索最新文獻。

3.數(shù)據(jù)融合：多模態(tài)與多保真度

多模態(tài)融合方法將熱像圖的空間特征與數(shù)值特征在模型隱藏層中聯(lián)合學(xué)習(xí)，實現(xiàn)了LPBF質(zhì)量監(jiān)控99.4%的檢測準(zhǔn)確率。多保真度神經(jīng)網(wǎng)絡(luò)（MFNNs）則通過融合高精度的高保真數(shù)據(jù)與低成本的低保真數(shù)據(jù)，在降低計算成本的同時保持預(yù)測精度。

4.可解釋性與物理信息融合

研究團隊深入揭示了數(shù)據(jù)量、模型精度與可解釋性之間的三角權(quán)衡關(guān)系，系統(tǒng)梳理了數(shù)據(jù)集級、特征級、模型結(jié)構(gòu)級和損失函數(shù)級四種物理信息融合方法。研究特別提醒，SHAP等工具在不同模型上可能產(chǎn)生截然不同的結(jié)果，多模型集成策略是確保解釋穩(wěn)健性的必要手段。

5.應(yīng)用案例：從缺陷預(yù)測到合金設(shè)計

論文系統(tǒng)介紹了孔隙和裂紋預(yù)測、微觀組織與力學(xué)性能預(yù)測、合金成分設(shè)計以及原位監(jiān)控等典型應(yīng)用。

【展望：邁向自主智能制造的路線圖】

研究團隊提出了一個三階段的ML-MAM技術(shù)發(fā)展路線圖：

第一階段（近期）：建立標(biāo)準(zhǔn)化數(shù)據(jù)庫，推動知識圖譜驅(qū)動的RAG智能體應(yīng)用，實現(xiàn)文獻知識的結(jié)構(gòu)化提取與智能化檢索。

第二階段（中期）：構(gòu)建高保真數(shù)字孿生系統(tǒng)，實現(xiàn)制造過程的實時監(jiān)控、預(yù)測與優(yōu)化，形成"物理信息引導(dǎo)"的智能化制造體系。

第三階段（遠期）：實現(xiàn)具身智能與自優(yōu)化閉環(huán)制造，大規(guī)模運營數(shù)據(jù)將推動從物理信息引導(dǎo)向端到端學(xué)習(xí)的根本性轉(zhuǎn)變，最終實現(xiàn)真正的自主進化制造。

【總結(jié)】

本綜述從數(shù)據(jù)稀缺性和可解釋性兩大核心挑戰(zhàn)出發(fā)，系統(tǒng)全面地梳理了機器學(xué)習(xí)在金屬增材制造中的應(yīng)用現(xiàn)狀與未來方向，提出了知識圖譜RAG智能體—數(shù)字孿生—具身智能的漸進式發(fā)展路線圖，為推動金屬增材制造從"試錯制造"向"自主智能制造"的跨越提供了重要的理論支撐和實踐指導(dǎo)。

【本文引用格式】

GUO Kai, XU Songzhe, SUN Chang, YAN Wentao, YAN Jinhui, YU Hao, WANG Chenchong, XU Wei, LI Jinguo, BI Zhongnan, HU Tao, ZHAO Ruixin, WANG Jiang, CHEN Chaoyue, REN Zhongming. Challenges and Opportunities in Machine Learning for Metal Additive Manufacturing: Data Scarcity and Interpretability. 2025.

本文來自“材料科學(xué)與工程”公眾號，感謝論文作者團隊支持。

近期學(xué)術(shù)會議推薦

歡迎留言，分享觀點。點亮?