更强、更轻、更耐热：机器学习正帮我们设计“下一代超级合金”！
学习目标：
1. 建立“从数据到设计”的范式思维：理解材料信息学如何推动合金研究从传统“经验试错”向“数据与模型驱动”的智能化范式变革。掌握“预测→设计→验证→反馈”的闭环逻辑，并明晰在合金设计中，特征物理意义、模型泛化性与工程可行性相较于单纯追求预测精度的根本重要性。
2. 精通合金性能的前向预测建模与逆向设计：前向预测：掌握利用人工神经网络等模型，基于合金成分、工艺参数构建力学、物理性能高精度代理模型（Surrogate Model）的全流程技能，包括数据构建、清洗、建模、评估与误差分析。逆向设计：掌握以预设性能目标为导向，集成代理模型与优化算法（如粒子群优化PSO），在工程约束下自动、高效搜索最优合金成分与工艺参数的完整方法，并能够解析多目标权衡。
3. 掌握面向小样本与不确定性的前沿设计策略：理解并实践主动学习与贝叶斯优化框架，利用高斯过程回归等概率模型量化预测不确定性，实现数据高效的性能边界探索，并能够评估模型外推风险，为实验验证提供科学决策依据。
4. 习得多模态数据融合与面向工程的系统化设计能力：初步掌握融合成分、工艺、显微组织图像等多源异构数据的建模方法，并能够针对复杂的工程约束（如成本、多性能平衡、小样本）进行集成优化设计，最终形成可服务于航空航天、电子、能源等前沿领域高性能合金研发的实战能力。
https://mp.weixin.qq.com/s/hWev0_twOa4-uE_4f9HDZw点击此链接查看详情！
第一天：材料智能设计的理论基础与前向预测建模
模块一：机器学习辅助材料设计的学术脉络与工程范式
本模块系统综述材料信息学的产生背景，剖析其如何推动材料研究从“试错法”向“数据与模型驱动”的范式转变。重点阐述“预测–设计–验证–反馈”的完整闭环逻辑，并探讨在合金设计中，数据质量、特征物理意义、模型泛化能力 相较于单纯追求预测精度所具有的根本重要性。
案例实践1：Mg-Zn-Mn系变形镁合金数据集构建与科学问题定义
以Mg-Zn-Mn系变形镁合金为研究对象，构建包含Zn、Mn、Al、Sn、Ca等关键合金元素及热挤压工艺参数（温度、速度、挤压比）的集成数据集，目标输出为室温拉伸力学性能（屈服强度、抗拉强度、延伸率）。完成数据清洗、异常值处理与标准化，并明确“成分-工艺-组织-性能”量化关联这一核心科学问题。
案例实践2：基于人工神经网络的镁合金力学性能代理模型构建
基于上述数据集，利用Scikit-learn的MLPRegressor及TensorFlow/Keras框架，分别构建针对抗拉强度(UTS)、屈服强度(YTS) 和断裂延伸率(EL) 的前向预测模型。对比单目标回归模型与多任务学习模型的预测精度与训练效率，建立用于高通量筛选的快速“数字代理模型”。
案例实践3：模型误差分析与工艺可行域界定
深入分析模型预测残差在成分-工艺空间中的分布，识别高误差区域（模型外推风险区）。结合Mg合金可工业化生产的成分范围（如总合金元素含量上限）及热挤压工艺窗口（如温度上下限、设备能力限制）等工程约束，对模型的“数学可行解空间”进行裁剪，定义出物理上可实现、工艺上可操作的“工程可行设计域”。
第二天：面向指定性能目标的材料逆向设计
模块二：逆向设计的数学本质与工程实现路径
本模块从“性能驱动”的工程研发需求出发，阐述逆向设计是连接模型预测与材料发明的桥梁。系统分析合金逆向设计中面临的不适定问题（一果多因）、多目标冲突（强度-塑性-成本权衡）及高维非线性约束优化等核心挑战。
案例实践4：基于ANN代理模型与粒子群优化(PSO)的逆向设计实现
以第一天构建的高精度Mg合金力学性能代理模型为评估函数，集成粒子群优化算法，在定义的工程可行域内，自动搜索满足预设性能目标（如YTS > 250 MPa, EL > 15%）的合金成分与工艺参数组合。实现从“性能指标”到“设计方案”的自动映射。
案例实践5：高强度兼有良好塑性Mg-Zn-Mn合金设计案例
以“实现抗拉强度 > 380 MPa 且延伸率 > 12%”为多目标，复现逆向设计全流程。重点演示如何构建Pareto前沿，并依据强化机制（如细晶强化、第二相强化）的物理理解，从Pareto解集中筛选出兼具高强度与适度塑性的候选合金成分（如Mg-2.1Zn-1.9Mn-0.2Sn-0.1Ca）。
案例实践6：超高塑性Mg-Mn基合金设计案例
以“最大化延伸率”为单目标，在保证最低强度要求下进行逆向设计。对比分析此案例与高强度案例在PSO优化轨迹、最终解空间分布及主导性能的微观机制（如位错滑移主导）上的差异，深化对“设计目标决定材料基因”的理解。
第三天：主动学习、性能边界探索与组织智能设计
模块三：主动学习与贝叶斯优化：数据高效的材料探索策略
本模块探讨在有限实验数据下，如何通过序贯实验设计智能探索未知成分空间。阐述高斯过程回归的概率代理模型优势，以及贝叶斯优化如何通过平衡“探索”与“利用”来高效逼近性能极值，克服传统逆向设计在外推区域的失效风险。
案例实践7：基于高斯过程回归(GPR)的Mg合金主动学习框架构建
使用GPR构建Mg合金力学性能的概率预测模型，该模型不仅能给出预测均值，还能提供预测方差（不确定性）。基于期望提升(EI) 等采集函数，实现贝叶斯优化循环，自动推荐下一轮最具价值的实验候选点。
案例实践8：Mg-Zn-Mn-Sn系合金抗拉强度极值搜索案例
以“探索抗拉强度理论极值”为目标，运行主动学习流程。分析优化迭代过程如何引导采样点向高强度的成分-工艺区域聚集，并探讨Zn、Sn元素协同作用对提升强度的贡献，理解主动学习在发现“性能高地”方面的定向搜索能力。
案例实践9：模型预测可信域评估与设计风险评估
基于GPR模型，定量计算模型对各性能指标（YTS, UTS, EL）预测的95%置信区间，并确定其可靠外推边界。通过案例分析说明，当设计目标（如要求UTS > 420 MPa）超出此边界时，模型的不确定性（风险）将显著增加，为实验验证提供风险预警。
案例实践10：Mg合金动态再结晶与超细晶组织形成的智能判别规则提取
以“热加工后是否形成超细晶（晶粒尺寸<1μm）组织”为二分类目标，构建支持向量机(SVM)、随机森林(RF) 等分类模型。重点利用决策树(DT) 模型进行规则提取，获得如“当挤压温度处于300-350°C且Zn/Al比 > 2时，易形成超细晶”等可解释的组织设计准则。
第四天：多模态数据融合与面向工程的系统化设计
模块四：从性能预测到工程落地的集成设计
本模块旨在展示材料智能设计如何融合多源异构数据（成分、工艺、图像），并最终服务于解决具体的、复杂的工程问题，如多性能平衡、成本控制和小样本挑战。
案例实践11：基于卷积神经网络(CNN)的镁合金典型显微组织识别
利用PyTorch或TensorFlow构建CNN模型，对Mg合金的扫描电镜(SEM)或电子背散射衍射(EBSD) 图像进行自动识别与分类，定量化表征等轴晶、孪晶、第二相等组织的形貌、尺寸与分布，为建立“组织-性能”定量关联提供数据基础。
案例实践12：Cu-Ni-Si系高性能铜合金成分-工艺协同优化
以引线框架用Cu-Ni-Si系合金为对象，从海量特征（Ni、Si、Mg、Cr等成分及固溶-时效多级工艺参数）中，通过LASSO回归筛选出影响硬度与导电率的关键因子。构建多目标代理模型，并采用NSGA-II等多目标优化算法，进行成分与热处理工艺的协同逆向设计，寻找硬度-导电率Pareto最优前沿。
案例实践13：低钴高强高导Cu-Ni-Co-Si合金工程化设计案例
在上一步基础上，引入“最小化贵金属Co含量”作为成本约束目标。复现多目标约束优化流程，设计出在保证高强度(>800 MPa)和高导电率(>45% IACS)的同时，显著降低Co含量的具体合金方案（如Cu-2.5Ni-0.3Co-0.6Si-...），展示机器学习在降本增效中的直接应用。
案例实践14：小样本条件下钴基高温合金持久性能的建模策略
面对钴基高温合金昂贵的实验成本和稀缺的持久寿命数据，实践针对小样本的建模方法。采用LASSO进行高维特征筛选，剔除冗余的成分与组织特征，保留关键变量。随后使用适用于小样本的高斯过程回归(GPR) 构建持久性能预测模型，并与过拟合的复杂神经网络模型进行对比，强调特征工程在小数据场景下的核心作用。