上海大学《Materials Today》综述：机器学习在金属增材制造中的机遇与挑战！

上海大学《Materials Today》综述：深入探讨机器学习在金属增材制造中的数据稀缺、物理引导、以及迈向端到端的挑战

上海大学科研团队联合国内外5家高校, 近期在相关领域权威期刊《Materials Today》发表综述论文。系统性地聚焦于数据稀缺性和物理信息这两大核心瓶颈，提出了从数据生成、物理知识驱动、到端到端的完整技术路线，为机器学习在金属增材制造中的深度应用提供了清晰的路线图。

https://authors.elsevier.com/c/1n2y24tRoWgo02

主要作者：Kai Guo, Songzhe Xu*，Chaoyue Chen*，Zhongming Ren.

作者单位：上海大学, 新加坡国立大学，伊利诺伊大学香槟分校，东北大学，中国科学院金属所，北京钢研高纳科技股份有限公司

发表期刊：Materials Today

大类及分区：材料科学 1区Top

影响因子：22.0

【引言】

机器学习（ML）为破解金属增材制造（MAM）中工艺-组织-性能关联复杂导致的质量管控难题，提供了强有力的辅助。然而，当前ML在MAM领域的深度应用仍面临两大困境：数据严重稀缺导致模型泛化能力不足，黑箱特性使预测结果缺乏物理可信度。针对这些瓶颈，研究团队提出了从数据生成与融合到物理信息引导、再到端到端自主学习的渐进式发展路线。研究指出，现阶段应以数据高效利用和物理知识融合为突破口，通过高通量实验与模拟、主动学习采样、多模态数据融合等技术克服数据稀缺困境；同时借助物理信息机器学习弥合数据驱动与物理认知之间的鸿沟，提升模型的可解释性与外推能力；远期随着数据标准化和自动化水平的提升，大规模运营数据将推动金属增材制造从物理信息引导逐步过渡到端到端自主学习，最终实现真正的自主进化制造。

【研究亮点】

✦聚焦数据稀缺瓶颈：深入探讨高通量实验与表征、高通量模拟、主动学习采样、大语言模型数据提取、多模态与多保真度数据融合等多种前沿策略，系统性地破解MAM数据不足的困境。

✦可解释性突破：明确指出可解释性与准确性之间存在的权衡关系，并通过分类介绍数据集级、特征级、模型结构级和损失函数级四种物理信息融合方法，为解决黑箱问题提供全面指导。

✦前瞻性技术路线图：提出知识图谱驱动的RAG智能体、高保真数字孪生、具身智能三阶段发展路线，最终实现自优化的闭环自主制造。

✦系统性分类框架：首次对MAM中的物理信息机器学习方法进行系统分类，厘清了"物理信息"概念的边界，为后续研究提供了标准化参考。

【图文解析】

1.数据生成：高通量实验与模拟

MAM领域数据稀缺的根本原因在于实验成本高、周期长。针对这一问题，研究团队系统总结了多种高通量数据生成策略。在实验层面，通过配备多个送粉器的DED系统和独立粉仓的LPBF系统，可实现成分梯度合金的快速制备。在模拟层面，GPU加速技术大幅提升了MAM仿真的效率——基于GPU的瞬态传热模型将LPBF热模拟从50分钟缩短至仅8秒，为机器学习模型提供了充足的高质量训练数据。

2.数据采样：主动学习与大语言模型

在数据稀缺的情况下，如何高效地采样最关键的数据点至关重要。主动学习通过采集函数智能地推荐下一个最值得实验的数据点，可在保持精度的同时将标注需求降低20%~70%。此外，大语言模型和AI Agent技术为从海量文献中自动化提取结构化数据开辟了新途径。研究团队特别指出，RAG（检索增强生成）技术相比传统的LLM微调更具优势——通过动态更新的向量数据库，RAG可在不重新训练模型的情况下实时检索最新文献。

3.数据融合：多模态与多保真度

多模态融合方法将热像图的空间特征与数值特征在模型隐藏层中联合学习，实现了LPBF质量监控99.4%的检测准确率。多保真度神经网络（MFNNs）则通过融合高精度的高保真数据与低成本的低保真数据，在降低计算成本的同时保持预测精度。

4.可解释性与物理信息融合

研究团队深入揭示了数据量、模型精度与可解释性之间的三角权衡关系，系统梳理了数据集级、特征级、模型结构级和损失函数级四种物理信息融合方法。研究特别提醒，SHAP等工具在不同模型上可能产生截然不同的结果，多模型集成策略是确保解释稳健性的必要手段。

5.应用案例：从缺陷预测到合金设计

论文系统介绍了孔隙和裂纹预测、微观组织与力学性能预测、合金成分设计以及原位监控等典型应用。

【展望：迈向自主智能制造的路线图】

研究团队提出了一个三阶段的ML-MAM技术发展路线图：

第一阶段（近期）：建立标准化数据库，推动知识图谱驱动的RAG智能体应用，实现文献知识的结构化提取与智能化检索。

第二阶段（中期）：构建高保真数字孪生系统，实现制造过程的实时监控、预测与优化，形成"物理信息引导"的智能化制造体系。

第三阶段（远期）：实现具身智能与自优化闭环制造，大规模运营数据将推动从物理信息引导向端到端学习的根本性转变，最终实现真正的自主进化制造。

【总结】

本综述从数据稀缺性和可解释性两大核心挑战出发，系统全面地梳理了机器学习在金属增材制造中的应用现状与未来方向，提出了知识图谱RAG智能体—数字孪生—具身智能的渐进式发展路线图，为推动金属增材制造从"试错制造"向"自主智能制造"的跨越提供了重要的理论支撑和实践指导。

【本文引用格式】

GUO Kai, XU Songzhe, SUN Chang, YAN Wentao, YAN Jinhui, YU Hao, WANG Chenchong, XU Wei, LI Jinguo, BI Zhongnan, HU Tao, ZHAO Ruixin, WANG Jiang, CHEN Chaoyue, REN Zhongming. Challenges and Opportunities in Machine Learning for Metal Additive Manufacturing: Data Scarcity and Interpretability. 2025.

本文来自“材料科学与工程”公众号，感谢论文作者团队支持。

近期学术会议推荐

欢迎留言，分享观点。点亮❤