中國科學技術大學（以下簡稱“中國科大”）的研究團隊在《自然·通訊》（Nature Communications）上發表了一項重要研究成果，題為“Machine learning-accelerated design of 3D two-phase composites with enhanced fracture resistance”。該研究創新性地將機器學習（Machine Learning, ML）與有限元模擬相結合，實現了對三維雙相復合材料抗斷裂性能的高效優化設計，為先進復合材料的研發開辟了新的路徑。

雙相復合材料（如陶瓷基復合材料、金屬-陶瓷復合材料等）因其優異的力學性能、耐高溫和抗腐蝕特性，被廣泛應用于航空航天、能源和生物醫學等領域。這類材料的斷裂行為高度依賴于其微觀結構特征（如相分布、顆粒形狀和體積分數），傳統的實驗試錯和數值模擬方法往往耗時耗力，且難以在廣闊的設計空間中找到最優解。

針對這一挑戰，中國科大研究團隊提出了一種基于機器學習的數據驅動設計框架。該框架首先通過大量有限元模擬（FEM）計算了不同微觀結構的三維雙相復合材料在載荷作用下的斷裂響應，構建了包含數千個樣本的結構-性能數據庫。團隊采用深度神經網絡（DNN）和高斯過程回歸（GPR）等機器學習模型，建立了從微觀結構特征到宏觀斷裂韌性（如臨界能量釋放率）的快速預測模型。該模型能夠在幾秒內準確預測新結構的抗斷裂性能，而傳統FEM模擬可能需要數小時甚至數天。

進一步地，研究人員將機器學習模型與多目標遺傳算法（NSGA-II）相結合，主動搜索在保持高剛度的同時最大化斷裂韌性的微觀結構。優化結果顯示，與初始隨機結構相比，設計的雙相復合材料抗斷裂性能提升了約120%。特別值得注意的是，機器學習模型還揭示了此前未被充分認識的微觀結構-韌性關聯：例如，較小且均勻分布的硬相顆粒能有效偏轉裂紋，而適度的軟相連通性有助于分散應力集中，從而協同提升材料的抗斷裂能力。

該研究的第一作者表示：“我們的方法不僅大幅降低了計算成本，更重要的是能夠發現傳統直覺難以捕捉的最優結構模式。機器學習在這里起到了‘加速器’和‘發現引擎’的雙重作用。”通訊作者補充說，該框架具有高度的通用性，可擴展至其他多相材料體系（如三相復合材料、多孔材料）以及非斷裂性能（如導熱、導電）的優化設計。

《自然·通訊》的審稿人評價稱：“這項工作巧妙地將數據科學與材料力學相結合，為解決復合材料設計中的高維優化問題提供了有力工具，有望推動增材制造領域實現‘按需設計’的微觀結構。”

這項研究得到了國家自然科學基金、中國科學院戰略性先導科技專項等項目的支持。中國科大團隊表示，未來將進一步融合實驗驗證與主動學習策略，縮短從計算設計到實際制造的周期，加速高性能復合材料的工程應用。