我们都知道材料是工业的“基因”，是工业的基础。 在大家大谈特谈数字化~网络化~智能化的今天，材料对于我们来说究竟意味着什么？神经网络是否有可能识别出更高维度的材料特性？ 今天我们就从材料的人工智能AI与材料加工的人工智能AI说起吧。 先说说材料的人工智能。假如给定一系列元素提供相应的原子大小，原子量、电离能、键合强度等数据，机器就可以进行“思考”试验，在ai算法中我们把一定量的每一种元素添加到铁中，计算电子结构的变化，在应力下的行为以及与氧的反应性，并给每一种元素平评分。 在下一个迭代中，它会改变每个元素的数量，例如从0~10%不等的百分含量，并记录下材料属性的变化，在另一个迭代中，每一个组合物都需要在三个大气压下，从0K加热到3500K并计算材料的性能，当然这里有一个庞大的工作量，但只要是计算机做的，谁会在乎呢？在此计算结束之际，我们甚至可以料想到计算的结果和个铬、镍一样，碳元素会是评级最高之一。 其实在材料科学中一直存在着某种形式的集机器学习。例如有一款热化学软件包，它可以精确地预测缩所选化学成分的象相图，科学家们已经可以利用现有训练数据来拟合的模型预测诸如折射率、界电常数、屈服强度等材料特性。 例如折射率只需知道材料的化学成分即可进行预测，而且预测结果的精度可超过90%。 但是以往这些成果都是局部的，迄今为止尚未描绘出我们一直苦苦追寻的全局性图谱。材料科学家也试图通过计算建模来预测材料性能，根据输入到程序中的大量数据，该模型能够准确的预测在选定的长度和时间尺度上的材料性能，这些技术包括模拟原子核分子的分子动力学，以及模拟汽车越过桥梁时挑桥梁运动的有限元软件。 以上这些模型都是基于复杂的物理驱动算法运行的，这些算法通常以数字值方式求解一些为微分方程而告终，机器学习和AI驱动的材料开发则建立在这些建模尝试的基础上，或者通过训练机器，从现有数据中学习材料的行为来超越他们。机器可能知道一些物理原理，但是没有建立起“如果是，那就是”这种逻辑关系，而AI则通过观察“在相似情况下的一系列相似项目的行为”来学习事物。但是材料与AI的真正力量是机器利用其自身的物理和化学知识，观察不同环境下的某物的不同行为来学习某物。 显然通过AI所进行的新材料开发，能够大大地降低研发费用、少走弯路，让计算机不停地工作没有问题，问题在于建立合适的数学模型。 接下来我们谈谈新材料加工过程的人工智能应用。 机械产品的设计与制造与材料成型工艺密切相关，成型工艺的优劣对产品质量影响至关重要，材料常见的成型工艺主要包括轧制、锻压、冲压、挤压、旋压、焊接、特种成形、粉末冶金、增材制造、机加工和热处理等，随着生产加工水平的提高，对产品的精度、成本要求也越来越高，过去的依靠“经验+试验”的方法进行模具制造和加工控制已越来越不能满足工程需要。 以数字化仿真技术aAI为代表的现代科学技术，对材料成型工艺提出了更高更新的要求。随着冶金企业数字化应用的不断深入，AI发展也逐渐占据了成型工艺设计与优化的高端位置，引进数字化模拟技术，利用CAE软件分析和优化生产制造工艺势在必行，AI无论在提高生产率、保证产品质量，还是在降低成本、减轻劳动强度方面都有很大的优越性。 下面以钣金冲压工艺来分析AI在材料加工的应用。冲压在机械加工行业占有非常重要的地位，广泛应用于航空航天制造，汽车覆盖件制造等行业，冲压线产值在整个钣金加工行业也占有相当大的比例，以航空航天汽车覆盖件为例，这类钣金冲压模具型面复杂，模具设计和制造水平要求高，难度大，冲压工艺也同样繁杂，传统的“试错”法在研发过程中造成模具报废多，成本高，周期长等缺点，降低了企业市场竞争力。 可以模拟钣金冲压成型工艺，并进行回弹分析、模具的疲劳分析和磨损分析。预测成型过程中板料的裂纹、起皱、减薄、划痕、回弹，评估板料的成型性能，从而为钣金成型工艺参数优化及模具设计提供帮助，在这样一个过程中通过机器深度学习，迭代优化工艺参数和模具选型。 上述难点是材料成型过程的数字化模拟成为一项复杂而艰巨的工作，这既是对传统CAE工程师的挑战，也是对有限元分析软件的考验。这几年一些公司开发的AI系统，在成型领域有着多年的应用经验和大量应用实例，对于加工成型的特定问题，正在给出全面既方便又完美的解答。