AI赋能材料塑性研究综述

人工智能（AI）正在快速演变为几乎覆盖全部科学领域的一种新型科研发现范式，也就是数据驱动科学（data-driven science）。在材料科学与工程（materials science and engineering）中，AI 已经展现出显著的变革潜力，因此系统讨论 AI 与材料塑性之间的联系，不仅时机成熟，而且十分必要。本文对 AI 与塑性研究的结合进行了系统梳理，重点介绍了用于材料发现、代理模型建立以及材料塑性行为模拟的前沿 AI 方法。

从材料科学视角来看，我们分析了决定塑性变形的因果机制，包括微观组织表征，以及借助塑性本构模型所描述的宏观响应。从 AI 方法角度来看，我们评述了多种应用路径，既包括频率派技术（如传统机器学习 (ML)、深度学习 (DL) 与物理信息模型），也包括引入不确定性量化和生成式 AI 的概率框架。文章结合材料表征与塑性相关应用场景，对这些数据驱动方法进行了讨论。

本综述的核心目标，是构建一个以 AI 方法论为基础、层次清晰的完整分类框架，重点突出并区分这些技术在材料塑性这一特定领域中的关键因素，包括模型结构、数据需求和预测表现。通过这项工作，我们希望为材料领域研究人员与工程实践者提供明确的研究图景，并进一步阐明 AI 在推动材料塑性与表征这一在 AI 时代愈发关键方向中的作用，带来更深入的物理理解与研究直觉。

论文：AI Meets Plasticity: A Comprehensive Survey

单位：加泰罗尼亚理工大学、维克大学-加泰罗尼亚中央大学

发布日期：2026年2月

请索引第75篇论文

1. 引言

作为一种本构模型（CM），塑性用于描述材料在足够大的外载作用下发生永久变形的能力。这一力学属性在金属中尤为典型，在多数固体材料中也普遍存在；早在青铜时代，人类就已经利用这种性质将金属加工成器具和武器 [1]。通常情况下，塑性研究会从宏观与微观两个层面展开。

在宏观尺度下，塑性行为体现为能够观测到的材料响应，通常用应力-应变状态变量进行刻画，而塑性的开始一般由屈服强度来界定。材料一旦屈服，便会出现塑性流动，并可能伴随应变硬化、应变率硬化以及热软化等现象 [2]。这些效应意味着，要维持持续变形往往需要施加更高的应力。为了表征塑性行为在宏观及连续介质尺度上的特征，计算固体力学与塑性理论已得到广泛采用 [3–5]。

然而，塑性的本质来源于材料在微观尺度上的内部组织及变形机制。由于原子间结合力明显强于实验中观察到的较低屈服强度，因此可以推断，晶体材料的塑性变形来自微观滑移过程，而不是原子的均匀拉伸 [1]。因此，从原子层面来看，塑性变形具有不连续性，并且强烈受晶格结构控制，主要通过晶格缺陷来实现。这类被称作“位错”的线缺陷，能够降低原子面相对滑移所需的应力，从而促进滑移发生 [6]。位错运动受晶体结构、可激活滑移系数量，以及晶界、析出物和其他晶格缺陷等障碍因素影响 [7]。除位错滑移之外，形变孪晶和应力诱导相变等机制，也可能在某些材料的塑性变形中发挥作用 [8]。

上述涉及多尺度体系的塑性机制与材料表征，传统上主要建立在以物理为核心的经典研究范式之上，例如经验观察、理论分析以及大规模数值模拟。然而，随着数据时代到来，在人工智能（AI）与机器学习（ML）技术 [9–12] 以及现代计算基础设施 [13, 14] 持续进步的推动下，第四种范式——即数据驱动科学——逐渐形成。该范式能够分析微观结构、加工条件和宏观力学响应之间高度非线性的相互作用，为材料科学与表征研究带来了新的重大机遇，而这些复杂关联往往难以仅依靠传统物理驱动模型来刻画。

1.1 分类体系与术语

固体力学问题通常由三类控制方程共同定义：守恒定律（如线性动量守恒）；运动学方程（描述位移、应变与应变率之间关系）；以及本构律（通过将运动学变量与应力及平衡方程联系起来刻画材料响应）。本构模型一般可分为路径无关（或历史无关）模型（例如弹性）和路径相关（或历史相关）模型（例如塑性） [2, 4]。传统上，这些模型依赖于在简化加载条件下获取的实验数据来建立，并通过参数标定表示材料行为。但在涉及多物理场耦合的复杂问题中，这类简化前提往往既不充分也不精确。此外，对于受复杂物理机制主导的系统，许多情况下很难推导出具有代表性的解析表达式。

随着全场实验技术 [15, 16] 和计算多尺度模拟 [17] 带来的数据可获得性持续提升，本构建模正逐步进入“大数据”模式，这既蕴含机遇，也伴随挑战。这种转变使数据驱动方法在提升材料表征能力和建模效率方面的重要性不断增强。数据驱动及基于 AI 的方法，按可解释性大体可分为可解释（白盒）模型与不可解释（黑盒）模型；按学习范式则可分为监督学习、无监督学习和强化学习 [18]。不可解释模型主要拟合输入与输出之间的映射，能够提供的物理解释较为有限，许多 ML 与深度学习（DL）方法均属于此类。相比之下，可解释模型则致力于形成具有物理意义的本构关系。在学习方式上，监督学习依赖带标签的输入输出样本，无监督学习着重发掘无标签数据中的结构模式，而强化学习则能够通过优化模型参数和架构来提升预测效果 [19]。因此，AI 方法论与塑性建模之间的结合极为关键，因为传统本构方法越来越需要数据驱动方法的补充，而这一问题在现有文献中仍缺少充分系统的讨论。

1.2 既往综述

近年来，数据驱动 AI 范式与材料固体力学之间的融合受到了广泛关注。围绕这一快速发展的方向，已经出现了大量综述工作，体现出该领域的广泛性与多样性。在材料设计方面，已有多篇综合性综述发表，内容涵盖 AI 与 ML 在材料设计中的应用 [20–25]、逆向设计 [26, 27]、超材料设计 [28, 29]，以及利用大语言模型（LLMs）开展材料设计和发现的研究 [30–34]。

对于用于材料行为表征的数据驱动 AI 方法（也是与本文主题最密切相关的部分），近年文献中同样已有多项研究。[35] 总结了土体本构建模中的 ML 方法；[36] 和 [37] 分别回顾了 ML 在金属成形与板材成形本构建模中的应用；[38] 则介绍了 ML 方法，主要是监督学习技术（包括经典 ML 与 DL），在非线性材料行为模拟中的应用。此外，[39] 的近期综述考察了面向有限元法（FEM）的 ML 和 DL 方法，并对本构建模进行了简要讨论；[40] 则综述了固体力学中的物理信息数据驱动方法，其中部分物理控制律被嵌入 DL 流程中，以保证物理一致性。

在现有研究中，与本文最接近的综述见于 [41]，该工作介绍了数据驱动本构律，并依据其对变形路径或历史的依赖性进行了分类，从计算工程角度讨论了弹性、塑性等多类本构模型。然而，围绕 AI 方法论本身展开的细致结构化综述，尤其是对本构建模中 AI 技术的深入系统讨论，在当前研究中仍然较为欠缺。

尽管有关材料与建模 AI 方法的综述论文数量持续增长，但仍存在若干关键缺口。首先，从材料和本构建模视角看，缺少专门聚焦塑性的系统性全面综述。其次，大多数研究只关注某一类 AI 子领域（如 ML 或 DL），而忽略了从频率派到概率派的方法与架构的统一综合评述。第三，现有综述在表达上往往较为笼统，缺乏一个既能组织 AI 方法，又能梳理其在材料表征特别是塑性问题中应用方式的清晰分类框架。第四，多数本构建模综述主要着眼于宏观表征，在预测材料响应时并未深入处理材料行为的微观起源及其相互联系，而这些方面恰恰可以借助 AI 驱动的方法加以挖掘。最后，对于新兴 AI 范式（如生成式 AI 和基于 LLMs 的智能体应用）的系统调研也明显不足。

基于上述不足，本文希望通过提供一份关于材料塑性中数据驱动 AI 方法的系统且全面的综述，来弥补这些空白。

1.3 论文目标与组织结构

在本综述中，我们力图对塑性本构建模中已有应用的各类 AI 方法进行系统化、结构化表征。从塑性研究角度看，我们将相关工作归纳为：基于 AI 的材料属性预测、材料响应预测以及微观结构表征，如图 1 所示。从 AI 方法角度看，我们讨论了在材料建模、微观组织表征、多尺度分析和数据增强等多种场景中被采用的各类 AI 路径。

该分类体系以 AI 范式为基础，覆盖了从广泛应用的 ML、DL 等频率派方法，到新兴的物理信息方法、生成式 AI 方法，以及基于 LLMs 的智能体 AI 和用于不确定性量化的概率方法。如图 1 所示（该图强调了 AI 与塑性的交汇区域），我们从架构层面对 AI 方法进行分析，以获得对塑性建模和材料表征模型内部工作机制的更深理解。本综述纳入了利用 AI 方法实现的宏观与微观塑性表征，以及它们与最优模型之间的联系。本文的主要贡献在于，为人工智能在塑性领域乃至整个材料科学与表征领域中的新兴方法提供发展指引，增强研究者的直觉认识并深化洞察，从而支撑未来的计算建模、材料设计和科学发现——而这些能力将在材料科学家即将全面面对的人工智能时代中变得尤为关键。

本文结构如下：第 2 节讨论数据集类型、