材料智能设计与制备加工知识图谱

依据 MSE5317 教学大纲整理：4 章 + 3 个上机实验 · 知识点群 · 算法—数据—工艺三条主线的跨章关联

教学大纲

滚轮缩放 · 拖动平移 · 点击章环筛选 · 点击概念查看关联

交互图谱需要 JavaScript。以下为同一份知识图谱的文字版本。

1 概述 Overview · 2 学时

人工智能的概念、历史与现状；材料智能设计与制备加工的发展趋势；中国制造 2025 与人工智能发展战略。

人工智能的概念与发展 AI: Concept & History

人工智能三次浪潮 Three waves of AI — 符号主义、统计学习到深度学习的历史脉络。
机器学习与深度学习 ML vs. DL — 从数据中学习规律的方法族及其层次关系。
数据驱动第四范式 Fourth paradigm of science — 实验、理论、计算之后，以数据为中心的科学发现方式。

材料智能设计与制备的趋势 Trends in AI for Materials

材料基因组计划 Materials Genome Initiative — 计算、实验与数据协同，缩短新材料研发周期。
AI 在材料领域的应用图景 AI for materials landscape — 从成分设计、组织表征到工艺优化的应用现状。
中国制造 2025 与 AI 战略 Made in China 2025 & AI strategy — 国家战略对高性能材料与智能制造的需求（课程思政融入点）。

2 人工智能算法基础 Fundamentals of AI Algorithms · 8 学时

优化算法、人工神经网络、线性分类与支持向量机；实验 1：基于神经网络的数字识别。

优化算法 Optimization Algorithms

梯度下降 Gradient descent — 沿负梯度方向迭代求极小值，神经网络训练的基础。
遗传算法 Genetic algorithm — 选择、交叉、变异的群体演化搜索。
粒子群优化 Particle swarm optimization — 群体粒子按个体与群体最优更新位置。
贝叶斯优化 Bayesian optimization — 高斯过程代理模型加采集函数，少量试验找最优。

人工神经网络 Artificial Neural Networks

感知机与多层感知机 Perceptron / MLP — 加权求和加非线性激活的基本单元及其堆叠。
反向传播 Backpropagation — 链式法则逐层传递误差梯度。
激活函数与损失函数 Activation & loss functions — ReLU、Sigmoid 与均方误差、交叉熵。
过拟合与正则化 Overfitting & regularization — 训练误差低、泛化差；用权重衰减、Dropout 抑制。
卷积神经网络 Convolutional neural network — 卷积、池化提取图像局部特征，参数共享。

线性分类 Linear Classification

线性回归 Linear regression — 最小二乘拟合输入与连续输出的线性关系。
逻辑回归 Logistic regression — Sigmoid 映射实现二分类的线性判别。
交叉验证与评价指标 Cross-validation & metrics — K 折验证；准确率、R²、混淆矩阵。

支持向量机 Support Vector Machine

最大间隔分类 Maximum-margin classifier — 寻找间隔最大的分离超平面。
核函数 Kernel trick — 映射到高维特征空间处理非线性可分问题。
决策树与随机森林 Decision tree / random forest — 可解释的树模型与集成方法，常用于小样本材料数据。

实验 1：数字识别 Lab 1: Digit Recognition

基于神经网络的手写数字识别 MNIST digit recognition — 上机实验：搭建并训练神经网络完成 MNIST 分类，提交实验报告。

3 数据驱动的材料设计 Data-driven Materials Design · 8 学时

材料数据库、组织结构智能表征、参数识别与性能预测、材料智能设计；实验 2：基于深度学习的图像回归分析。

材料数据库 Materials Databases

材料数据库 Materials Project / OQMD / AFLOW — 第一性原理计算与实验数据的开放数据库。
特征工程与描述符 Feature engineering & descriptors — 成分、结构、工艺参数到机器可读特征的转换。
高通量计算 High-throughput computation — 自动化批量第一性原理 / CALPHAD 计算生成数据。
高通量实验 High-throughput experiments — 组合材料芯片、扩散多元节快速获得成分—性能数据。

组织结构智能表征 Intelligent Microstructure Characterization

图像分割 Semantic segmentation (U-Net) — 像素级识别金相、SEM 图像中的相与缺陷。
组织定量表征 Quantitative metallography — 相分数、晶粒尺寸、形貌参数的自动统计。
迁移学习与数据增强 Transfer learning & augmentation — 小样本材料图像下复用预训练网络。

参数识别与性能预测 Parameter Identification & Property Prediction

结构—性能映射 Structure–property mapping — 用模型建立组织特征与力学 / 物理性能的关系。
代理模型 Surrogate model — 替代昂贵实验或模拟的快速预测模型。
不确定性与可解释性 Uncertainty & interpretability — 预测置信区间与特征重要性分析。

材料智能设计 Intelligent Materials Design

主动学习 Active learning — 模型推荐下一批最有价值的实验，迭代收敛。
逆向设计 Inverse design — 从目标性能反推成分与工艺。
生成模型 Generative models — VAE / 扩散模型生成候选成分或微结构。
合金成分优化 Alloy composition optimization — 多目标优化平衡强度、塑性、成本。
相图与 CALPHAD Phase diagrams & CALPHAD — 热力学计算提供物理约束与特征。

实验 2：图像回归 Lab 2: Image Regression

基于深度学习的图像回归分析 Deep-learning image regression — 上机实验：由组织图像直接回归性能或工艺参数，提交实验报告。

4 材料加工工艺智能设计 Intelligent Design of Processing · 8 学时

数据驱动的铸造工艺设计、热冲压工艺智能优化、3D 打印工艺智能优化、数字孪生；实验 3：双相钢马氏体自动识别。

数据驱动的铸造工艺设计 Data-driven Casting Design

集成计算材料工程 ICME — 跨尺度模型串联成分—工艺—组织—性能。
铸造数值模拟 Casting simulation (filling & solidification) — 充型、凝固与温度场的有限元 / 有限差分模拟。
铸造缺陷预测 Shrinkage & hot-tearing prediction — 从模拟与数据预测缩孔、热裂等缺陷。
工艺参数优化 Process parameter optimization — 浇注温度、冷却条件等的多目标寻优。

热冲压工艺智能优化 Hot Stamping Optimization

热冲压成形 Hot stamping (press hardening) — 硼钢奥氏体化、成形与模内淬火一体化。
成形性与回弹 Formability & springback — 成形极限、减薄与回弹的预测和补偿。
冷却路径与组织控制 Cooling path & microstructure — 冷速决定马氏体转变与最终强度。

3D 打印工艺智能优化 Additive Manufacturing Optimization

增材制造 Additive manufacturing (LPBF / DED) — 逐层熔化沉积成形复杂构件。
熔池监测 Melt-pool monitoring — 高速成像与光学信号反映熔池稳定性。
打印缺陷识别 Porosity & lack-of-fusion detection — 从监测信号与 CT 图像自动识别气孔、未熔合。
原位监测与闭环控制 In-situ monitoring & closed-loop control — 实时调整激光功率、扫描速度。

数字孪生 Digital Twin

数字孪生 Digital twin — 物理过程与虚拟模型实时映射、预测与反馈。
工艺—组织—性能链 Process–structure–property chain — 贯穿制造全流程的数据与模型链条。
智能制造与卡脖子材料 Smart manufacturing — 高性能构件制造短板与自主可控（课程思政融入点）。

实验 3：马氏体识别 Lab 3: Martensite Identification

双相钢中马氏体相的自动识别 Martensite identification in DP steel — 上机实验：分割金相图像中的马氏体并统计相分数，提交实验报告。

跨章关联

gradient-descent → backprop：反向传播计算梯度供下降
genetic-algorithm → alloy-design：演化搜索成分空间
pso → process-optimization：群智能寻优工艺参数
bayesian-opt → active-learning：采集函数推荐下一实验
bayesian-opt → process-optimization：少量试验优化工艺
perceptron → structure-property：神经网络拟合性能
perceptron → lab1：实验 1 的模型
cnn → image-segmentation：卷积网络做像素分类
cnn → lab2：实验 2 的模型
cnn → lab3：实验 3 的模型
cnn → am-defects：图像识别打印缺陷
overfitting → cross-validation：验证集诊断过拟合
overfitting → transfer-learning：小样本下抑制过拟合
linear-regression → surrogate：最简单的代理模型
svm-margin → quantitative-metallography：SVM 分类组织类型
kernel → structure-property：核方法处理非线性映射
tree-ensemble → uncertainty：特征重要性解释
generative → inverse-design：生成候选结构
surrogate → digital-twin：实时预测依赖代理模型
materials-db → descriptor：数据库字段转为特征
high-throughput-calc → materials-db：批量计算填充数据库
high-throughput-exp → materials-db：高通量实验数据入库
descriptor → structure-property：特征输入预测模型
image-segmentation → quantitative-metallography：分割结果统计相分数
quantitative-metallography → structure-property：组织参数作为输入
calphad → descriptor：热力学量作为物理描述符
melt-pool → closed-loop：监测信号驱动反馈
casting-simulation → defect-prediction：模拟结果预测缺陷
casting-simulation → digital-twin：仿真模型是孪生体基础
closed-loop → digital-twin：实时数据同步孪生体
fourth-paradigm → materials-db：数据密集型科学的基础设施
mgi → high-throughput-calc：材料基因组的三大支柱之一
mgi → high-throughput-exp：材料基因组的三大支柱之一
active-learning → high-throughput-exp：推荐实验并回流数据
icme → ppp-chain：跨尺度串联工艺—组织—性能
icme → casting-simulation：铸造是 ICME 典型场景
process-optimization → hot-stamping：热冲压参数寻优
process-optimization → additive：打印参数寻优
microstructure-control → lab3：马氏体分数决定强度
inverse-design → alloy-design：目标性能反推成分
structure-property → formability：预测成形性能
ppp-chain → smart-manufacturing：支撑智能制造
made-in-china → smart-manufacturing：国家战略与制造短板
ai-materials-landscape → alloy-design：应用现状之一
ai-materials-landscape → additive：应用现状之一