近日，清华大学航天航空学院徐志平课题组提出物理传递学习理论框架，以解决在预测合金强度时精度与效率难以兼顾的难题。该框架仅需基于少量化学精度理论计算数据，即可实现金属合金强度的高精度筛选。在理论预测引导下，课题组与中国科学院研究团队合作，通过高通量离子束沉积技术，首次制备出传统方法难以获得的高强度亚稳态二元合金，为合金材料开发开辟了新路径。

在物质科学领域，高强度合金的预测与制备是长期面临挑战的重要课题。近年来，基于第一性原理等方法构筑的材料数据库以及机器学习方法的发展改变了新材料的发现方式。基于结构搜索构筑的GNoME、MatterGen等数据库将材料空间从人类有实验认知的数万种拓展至数百万种。值得注意的是，这些被预测的新材料中有许多处于亚稳态，难以在现有工艺条件下获得，针对其物性的探索在很大程度上依赖于理论方法。面对规模庞大的材料数据库以及亚稳态材料制造的困难，兼具精度和效率的材料筛选方法是凸显的挑战，尤其在评估强度等材料非平衡物性等任务中，因其无法从平衡态物性中进行推断，需要引入新的研究思路（图1）。

图1.规模庞大的材料库为高强度合金材料挖掘带来挑战与机遇

传统上，科学进展遵循“观察-假设-建模”的范式，而基于科学数据的人工智能技术为工程科学提供了一种变革性的替代路径。为应对上述挑战，徐志平课题组提出了物理传递学习框架。通过有效传递原子尺度结构、相互作用及其与材料力学性能关联数据中所蕴含的物理规律，该框架在模型与数据之间架起桥梁，实现了以化学精度进行材料强度快速筛选（图2）。具体而言，研究首先利用复杂性较低但包含正确物理机制的低保真度经验力场模型数据训练神经网络，成功捕捉晶体塑性变形的本质特征表征。随后利用基于密度泛函理论的第一性原理高保真度计算关键描述参数，并将其嵌入训练得到具有物理约束的神经网络模型进行外推，既保证了模型的化学精度，又避免了直接采用第一性原理模拟位错行为带来的巨大计算成本。该框架有效解决了跨尺度力学模拟中精度与效率难以兼顾的关键难题。在该方法中，模型的泛化性由不同化学精度数据集中变形物理的一致性加以保障。

图2.物理传递学习框架及其在预测和筛选材料强度中的应用

这种对晶体变形物理的数据表达取代了传统上依赖理论模型开发的经验研究方式，充分利用了材料数据库与多尺度建模技术。借助该框架，仅通过单点高保真度计算，便能准确预测多种金属体系的Peierls应力。该物理量可以整合进晶体塑性理论框架，构建起宏观材料力学性能与微观变形物理之间的定量连接。针对神经网络结构的分析进一步表明，在引入“原子应变”表征材料原子尺度非均匀应变，有效传递了固溶强化变形机制。在物理传递方法预测结果的引导下，中国科学院力学研究所蒋敏强研究员和物理所孙保安研究员课题组通过实验方法探索了金属合金材料相图中的亚稳区域。通过离子束溅射沉积镀膜技术结合高通量材料制备成功研发出具有优异力学强度的CuTi、AlTi等二元合金（图3）。

论文的研究工作对加速材料发现具有广泛意义，尤其在寻找用于工程应用的高强度材料方面展现出巨大潜力。通过将理论创新与实验验证相结合，该研究不仅推动了基础科学的发展，也带来了实际的工程应用价值。提出的物理传递学习框架具有良好的通用性，可拓展应用于其他材料性能的预测以及多尺度物理问题的研究。

图3.高强度合金材料的高通量实验制备

相关研究成果以“通过物理迁移学习发现高强度合金”（Discovering High-Strength Alloys via Physics-Transfer Learning）为题，于8月13日发表于《物质》（Matter）。

清华大学航天航空学院教授徐志平和中国科学院力学研究所研究员蒋敏强为论文通讯作者，清华大学航天航空学院2021级博士生赵英杰为论文第一作者。中国科学院物理研究所研究员孙保安、力学研究所副研究员周红波，清华大学航天航空学院2018级博士生张梓安 (现就职于中国运载火箭技术研究院)，中国科学院物理研究所薄振兴博士参与了研究。研究得到国家自然科学基金的资助。