在瞬时高功率电子器件的热管理中，复合相变材料（CPCM）表现出独特的优势。然而，复合材料的研发长期受制于各项性能之间的冲突，往往依赖大量试错实验。近年来，人工智能（AI）为新材料创制提供了数据驱动的全新视角。但现有机器学习方法多为数据驱动的黑盒建模，缺乏物理机制的显式嵌入，难以在多个相互冲突的目标约束下实现高效的跨尺度逆向设计。近期研究提出了一种物理约束机器学习逆向设计框架PHICS，将“物理因果图谱驱动–跨尺度机理嵌入–多目标帕累托（Pareto）寻优”融于一炉，打通了从微观设计到宏观性能验证的研发闭环。
PHICS的多模块架构与模型评估
1
架构突破
该研究引入有向无环图（DAG）作为物理因果建模的核心拓扑结构。PHICS框架将“微观组分→介观界面→多相网络→宏观性能”解构为清晰的层级物理因果链条，使得模型既拥有数据驱动的高拟合效率，又严格服从底层物理硬约束，具备出色的外推泛化能力。
2
算法创新
面对多性能指标间的固有冲突，材料的最优解在数学上构成复杂的非凸Pareto前沿。PHICS将物理因果代理模型与非支配排序遗传算法（NSGA-II）深度耦合，在多维非凸目标空间内实现了秒级的高通量评估与最优微观结构参数的高精度逆向搜索。
3
实验验证与物理机制
在PHICS的逆向设计指导下，通过在石墨纤维/正二十八烷CPCM中引入超薄非晶氧化铝（am-Al2O3）界面过渡层，同时发挥“声子传输桥梁”与“电子绝缘屏障”，使得CPCM在保持高储热密度的前提下，热导率与绝缘性能同步跃升，有效破解了多性能间的固有“跷跷板”效应。
PHICS的物理约束拓扑结构、逆向设计的CPCM及其融合界面/相/载流子工程的协同调控机制
该研究不仅为高性能热管理材料的研制提供了全新的方法论，其所建立的“物理机理约束 + 多目标逆向寻优”范式，也为功能材料的智能设计开辟了通用新路径。相关成果发表于《国家科学评论》（National Science Review, NSR），香港中文大学博士后丁栋梁、北京大学博士后邹敏浩为论文第一作者，同时与香港中文大学许建斌教授共同作为论文通讯作者。
该研究得到了香港别行政区第三个InnoHK创新香港研发平台（SEAM@InnoHK）所属“异质集成与制造中心”（The Centre for Heterogeneous Integration and Production，CHIP）的支持。CHIP致力于通过异质集成技术，推动半导体设备及材料加工方面的创新，积极推动新一代高性能电子器件的发展。
研究论文
https://doi.org/10.1093/nsr/nwag503
