上海大學《Materials Today》綜述：機器學習在金屬增材制造中的機遇與挑戰！

上海大學《Materials Today》綜述：深入探討機器學習在金屬增材制造中的數據稀缺、物理引導、以及邁向端到端的挑戰

上海大學科研團隊聯合國內外5家高校, 近期在相關領域權威期刊《Materials Today》發表綜述論文。系統性地聚焦于數據稀缺性和物理信息這兩大核心瓶頸，提出了從數據生成、物理知識驅動、到端到端的完整技術路線，為機器學習在金屬增材制造中的深度應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, 新加坡國立大學，伊利諾伊大學香檳分校，東北大學，中國科學院金屬所，北京鋼研高納科技股份有限公司

發表期刊：Materials Today

大類及分區：材料科學 1區Top

影響因子：22.0

【引言】

機器學習（ML）為破解金屬增材制造（MAM）中工藝-組織-性能關聯復雜導致的質量管控難題，提供了強有力的輔助。然而，當前ML在MAM領域的深度應用仍面臨兩大困境：數據嚴重稀缺導致模型泛化能力不足，黑箱特性使預測結果缺乏物理可信度。針對這些瓶頸，研究團隊提出了從數據生成與融合到物理信息引導、再到端到端自主學習的漸進式發展路線。研究指出，現階段應以數據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、主動學習采樣、多模態數據融合等技術克服數據稀缺困境；同時借助物理信息機器學習彌合數據驅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；遠期隨著數據標準化和自動化水平的提升，大規模運營數據將推動金屬增材制造從物理信息引導逐步過渡到端到端自主學習，最終實現真正的自主進化制造。

【研究亮點】

?聚焦數據稀缺瓶頸：深入探討高通量實驗與表征、高通量模擬、主動學習采樣、大語言模型數據提取、多模態與多保真度數據融合等多種前沿策略，系統性地破解MAM數據不足的困境。

?可解釋性突破：明確指出可解釋性與準確性之間存在的權衡關系，并通過分類介紹數據集級、特征級、模型結構級和損失函數級四種物理信息融合方法，為解決黑箱問題提供全面指導。

?前瞻性技術路線圖：提出知識圖譜驅動的RAG智能體、高保真數字孿生、具身智能三階段發展路線，最終實現自優化的閉環自主制造。

?系統性分類框架：首次對MAM中的物理信息機器學習方法進行系統分類，厘清了"物理信息"概念的邊界，為后續研究提供了標準化參考。

【圖文解析】

1.數據生成：高通量實驗與模擬

MAM領域數據稀缺的根本原因在于實驗成本高、周期長。針對這一問題，研究團隊系統總結了多種高通量數據生成策略。在實驗層面，通過配備多個送粉器的DED系統和獨立粉倉的LPBF系統，可實現成分梯度合金的快速制備。在模擬層面，GPU加速技術大幅提升了MAM仿真的效率——基于GPU的瞬態傳熱模型將LPBF熱模擬從50分鐘縮短至僅8秒，為機器學習模型提供了充足的高質量訓練數據。

2.數據采樣：主動學習與大語言模型

在數據稀缺的情況下，如何高效地采樣最關鍵的數據點至關重要。主動學習通過采集函數智能地推薦下一個最值得實驗的數據點，可在保持精度的同時將標注需求降低20%~70%。此外，大語言模型和AI Agent技術為從海量文獻中自動化提取結構化數據開辟了新途徑。研究團隊特別指出，RAG（檢索增強生成）技術相比傳統的LLM微調更具優勢——通過動態更新的向量數據庫，RAG可在不重新訓練模型的情況下實時檢索最新文獻。

3.數據融合：多模態與多保真度

多模態融合方法將熱像圖的空間特征與數值特征在模型隱藏層中聯合學習，實現了LPBF質量監控99.4%的檢測準確率。多保真度神經網絡（MFNNs）則通過融合高精度的高保真數據與低成本的低保真數據，在降低計算成本的同時保持預測精度。

4.可解釋性與物理信息融合

研究團隊深入揭示了數據量、模型精度與可解釋性之間的三角權衡關系，系統梳理了數據集級、特征級、模型結構級和損失函數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生截然不同的結果，多模型集成策略是確保解釋穩健性的必要手段。

5.應用案例：從缺陷預測到合金設計

論文系統介紹了孔隙和裂紋預測、微觀組織與力學性能預測、合金成分設計以及原位監控等典型應用。

【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技術發展路線圖：

第一階段（近期）：建立標準化數據庫，推動知識圖譜驅動的RAG智能體應用，實現文獻知識的結構化提取與智能化檢索。

第二階段（中期）：構建高保真數字孿生系統，實現制造過程的實時監控、預測與優化，形成"物理信息引導"的智能化制造體系。

第三階段（遠期）：實現具身智能與自優化閉環制造，大規模運營數據將推動從物理信息引導向端到端學習的根本性轉變，最終實現真正的自主進化制造。

【總結】

本綜述從數據稀缺性和可解釋性兩大核心挑戰出發，系統全面地梳理了機器學習在金屬增材制造中的應用現狀與未來方向，提出了知識圖譜RAG智能體—數字孿生—具身智能的漸進式發展路線圖，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。

【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“材料科學與工程”公眾號，感謝論文作者團隊支持。

近期學術會議推薦

歡迎留言，分享觀點。點亮?