NSR | AI探秘材料“内在肌理”：DeepMeso开启介观智能设计新范式

材料性能的优劣，从来不只看肉眼可见的外形，藏在内部的微观结构，才是决定它本领大小的“幕后主角”。如今，人工智能正闯入这片神秘的微观天地，一套全新的介观智能设计模型DeepMeso应运而生，为非均质功能材料的研发按下了加速键。该成果已发表于《国家科学评论》（National Science Review, NSR），武汉理工大学沈忠慧教授、清华大学沈洋教授与南策文院士为论文的共同通讯作者，论文第一作者是武汉理工大学博士生刘润林。

材料世界涵盖原子、介观、宏观等多个层级，层层关联、环环相扣，跨尺度建模难度大。很多时候，材料的宏观性能并非单纯由化学成分决定，内部的晶粒形态、物相分布、畴结构以及界面作用等介观特征，才是影响性能的核心因素。近些年，深度学习不断重塑材料多尺度建模，但现有方法大多局限于原子尺度或宏观层面，缺少一座能连通二者、精准刻画介观微结构的桥梁。如何厘清材料成分、微观结构与宏观性能之间的隐秘联系，是非均质功能材料领域亟待突破的关键关卡。

瞄准上述痛点，沈忠慧教授团队提出基于生成式深度学习的DeepMeso介观智能设计模型，成功解锁了非均质功能材料的全新研发模式。该框架不仅能根据三维微观结构，精准预判材料宏观性能，还能“反其道而行之”——按照人们预设的性能目标，逆向设计出匹配的材料介观结构。研究团队以铁电材料为验证载体，搭建并演示了命名为 DeepFerro 的介观智能设计流程。该流程兼具高预测精度、优异生成能力与强泛化性能，可为各类复杂异质材料的定制化智能研发提供高效可行的全新技术路径。

图1 DeepMeso介观智能设计模型概述

研究团队构建了包含BaTiO3、PbTiO3、BiFeO3和SrTiO3等材料体系的三维铁电介观数据库，汇集单相、二元和三元多相体系近2万条“组成—微结构—性能”多维数据集合。所搭建的深度学习代理模型能够快速预测完整电滞回线，性能曲线预测决定系数R2达97.3%，关键性能预测准确率超99.6%。

图2 数据集构建与代理预测模型

DeepFerro不仅能够预测性能，还能够根据目标性能反向生成材料内部结构。研究团队通过三维变分自编码器和潜扩散模型，将复杂微结构压缩到潜空间中进行生成学习。该模型可以根据目标物理参数，生成相匹配的三维铁电微结构，并在多目标生成任务中实现R2=95.44%的目标匹配能力。

图3 面向目标性能的按需逆向设计

研究团队进一步将DeepFerro推广到PZT、HZO及MgO等新型复合体系，验证模型是否具备跨体系迁移能力。结果表明，经过少量新体系数据微调后，模型仍能保持较好的预测与生成性能，即使训练样本减少到50个，性能下降也明显小于从头训练模型。

图4 DeepMeso模型的跨体系迁移

研究论文

Deep learning-driven intelligent mesoscopic model (DeepMeso): a case study on ferroelectrics 

https://doi.org/10.1093/nsr/nwag324