盖世汽车讯 据外媒报道，借助人工智能（AI）驱动的材料设计，加拿大多伦多大学工程学院（University of Toronto Engineering）研究团队发现了一系列新型金属合金，这些材料能够在极端环境下保持优异的强度。

这些材料非常适用于增材制造（Additive Manufacturing，亦称金属3D打印），未来有望用于航空航天、发电等领域，制造性能更优、可定制化的零部件。

项目负责人、加拿大研究讲席教授（Canada Research Chair）、多伦多大学极端环境材料与制造方向教授Yu Zou表示：“能够承受剧烈温度和压力变化的材料需求十分巨大，例如喷气发动机内部或核电站蒸汽发生器中的工作环境——这些都是传统钢材无法长期承受的工况。”

同时，Yu Zou称：“我们还需要能够逐层打印成型的材料，以制造传统工艺无法实现的复杂构件。例如，为了兼顾轻量化和高强度，可以通过调整材料组成，使零件外层采用坚硬、韧性好的合金，而内部则采用更轻、更柔软的材料。”

Yu Zou介绍，目前许多高性能金属合金主要由一种元素构成，通常是镍（Ni）或钴（Co），再加入少量其他元素，最多可包含约10种合金元素。

图片来源：Tyler Irving / 加拿大多伦多大学工程学院

然而，由于实验能力等物理限制，大量可能的配方尚未得到探索。面对数以万计的材料组合，从中筛选出适用于3D打印的新型合金本就是一项艰巨任务，而对于由三种或更多主要元素组成的复杂合金而言，更是困难重重。

为解决这一问题，并探索更广阔的材料设计空间，Yu Zou团队与Jason Hattrick-Simpers合作，引入了AI技术。

他们采用了一种称为主动学习（Active Learning）的方法，将计算机模拟、机器学习和机器人辅助制造相结合，构建了一套自主运行实验室（Self-driving Lab），能够在几乎无需人工干预的情况下，自动验证最具潜力的材料方案。

该项目获得了多伦多大学加速联盟（Acceleration Consortium）的部分支持。该联盟汇聚政府、高校和产业界力量，利用AI与自动化技术加速新材料的发现。

论文第一作者、多伦多大学Yu Zou课题组博士生Ajay Talbot表示：“利用AI设计材料时，一个常见难题是，大多数机器学习模型都需要大量已知材料性能数据进行训练。”相关研究发表于期刊《npj Advanced Manufacturing》。

Ajay Talbot直言：“但如果你探索的是此前从未涉足的材料设计空间，这些数据根本不存在，相当于在‘摸黑前进’。我们的解决方案是采用低数据依赖（data-lean）模型，让模型能够边探索边学习。主动学习模型会有策略地选择少量样品进行制备和测试，再将实验结果反馈给模型，指导下一轮搜索方向，大幅提升研发效率。”

为了验证这一方法的价值，Ajay Talbot及其团队将研究对象锁定为一种成分复杂合金（Compositionally Complex Alloys），该体系主要由三种元素组成，分别是镍、钴和铬（Cr），且三者含量均较高。

仅用数周时间，这座自主运行实验室便筛选出6种具有优异性能的新型合金。

Ajay Talbot称：“我们的目标性能之一，是材料在高达600°C环境下仍具备优异的抗穿刺性，这正是喷气发动机前端区域所面临的工作温度。目前行业标准材料是镍基高温合金，例如Inconel 625。但我们开发出一种由12%镍、62%钴和26%铬组成的新合金，在超高温下保持硬度的能力表现十分出色。尽管仅由三种元素组成，但在实验室测试中，其性能仍比含有10多种元素的Inconel 625高出4.5%。”

图片来源：Tyler Irving / 加拿大多伦多大学工程学院

团队开发的另一种合金则面向喷气发动机后端，其工作温度可高达1000°C。

Ajay Talbot解释道：“在这样的环境中，材料会形成氧化皮（oxide scale），本质上就是材料不断被高温氧化烧蚀。我们发现，一种由36%镍、14%钴和50%铬组成的新材料，在高温抗氧化性能方面表现极为突出，其性能甚至比Inconel 625高出85%。未来，我们还计划进一步挑战1200°C的更高工作温度。”

Ajay Talbot表示，论文报道的新型合金只是一个开始。“镍-钴-铬体系只有三种元素，从整体来看仍属于相对简单的材料体系。不过，它很好地证明了这套闭环材料发现平台（Closed-loop Discovery Platform）确实行之有效。下一步，我们希望进一步提升体系复杂度，开发由10种甚至12种不同元素组成的更先进合金。随着合金组分不断增加，可以获得更多不同的强化机制以及更多有价值的材料性能。还有大量新材料等待我们去发现。”