报告题目：从金属材料基因工程到AI4Sci

报告内容简介：基于机器学习数据挖掘能力强和物理模型机制清晰等特点，提出了物理专家知识和数据挖掘融合的金属材料基因工程方法。该方法将物理冶金学信息或真实微观结构信息引入，实现了对钢铁材料性能的准确预测和设计的多层次指导，具有极强的小样本数据量容忍度。在该框架中，首先直接使用热动力学基础数据作为输入，指导建立固态相变与强度间的模型，并在热动力学数据指导深度学习机制下建立了多元体系下摩擦功的精准预测模型和Ms普适性预测模型。其次，针对更为复杂的蠕变/疲劳问题。建立源模型，直接或通过常规力学性能间接学习成分工艺与蠕变/疲劳的关系，并将学到的力学机制迁移到成分工艺与蠕变/疲劳的新模型搭建上，实现其准确预测，进一步指导了钢铁材料疲劳/蠕变设计。进一步提出了引入显微组织信息指导人工智能学习的策略。开发出了基于深度学习和大模型的显微图像数据快速定量化方法。还通过材料学多模态信息指导人工智能策略，实现了材料学分析方法与信息学模型的全面融合，提升了性能预测模型的精度。本研究提出的物理专家知识和数据挖掘融合的金属材料基因工程方法，可以解决金属材料领域的小样本问题，并对AI4Sci的未来发展提出展望。

报告人姓名：王晨充

报告人简介：东北大学轧制技术及连轧自动化国家重点实验室副教授，博士生导师，省优青，“兴辽英才计划”青年拔尖人才。美国西北大学材料基因工程团队G.B.Olson课题组访问学者，主要从事基于材料基因工程的金属材料集成计算与组织性能调控研究。先后主持国家自然科学基金的重大项目子课题、面上项目、国际交流合作项目等国家级项目。近年来，在Acta Materialia、Scripta Materialia、Journal of Materials Science and Technology等领域内顶级期刊发表20余篇学术论文。

报告人单位：东北大学

报告时间：2024-10-25 14:00

报告地点：宝山校区东区8号楼508

联系人：罗群