顶刊综述：AI赋能增材制造镍钛形状记忆合金的前沿进展与未来机遇
增材制造镍钛基形状记忆合金（SMAs）凭借其独特的功能特性与卓越的设计灵活性，在航空航天和生物医疗器械领域展现出突破性的应用前景。然而，增材制造过程中涉及的多物理场耦合复杂性往往造成不同批次和设备间的微观结构、相变行为及力热力学性能出现显著差异，制约了其工业化可靠应用。本综述系统梳理了人工智能技术如何突破这些技术瓶颈。文中深入分析了机器学习在工艺参数优化、相变温度预测及缺陷防控等方面的应用成效。同时，探讨了AI驱动的合金设计方法，重点阐述了迁移学习如何有效整合传统加工数据，加速新型镍钛基材料的研发，以实现
机器学习正在重塑合金材料研发新范式
机器学习在合金设计中的应用正深刻变革传统材料研发模式。长期以来，合金开发主要依赖"试错法"，面临研发周期长（10-20年）、成本高（单次实验达数万美元）等瓶颈，尽管第一性原理计算提供了理论支持，但其计算复杂度随原子数指数级增长，难以处理多组分体系。这一困境随着材料数据革命的到来得到破解：Materials Project等开源数据库已收录超过15万种材料计算数据，结合高通量技术（如组合材料芯片可单次生成10^4-10^5个成分样本），为机器学习提供了坚实基础。通过随机森林、图神经网络（如MEGNet在带隙