研究背景 高性能结构材料是高端装备制造、新能源及国防工业发展的关键。传统材料研发依赖经验试验，周期长、成本高，难以有效表征纳米多晶材料中晶粒空间分布、取向及梯度结构等复杂微观因素，制约性能精准调控。分子动力学（MD）模拟与机器学习（ML）为揭示微观结构与宏观性能的关系提供新手段，但多尺度耦合、复杂特征建模及性能优化仍存在困难。亟需构建融合“微观结构表征—数据驱动建模—性能预测—结构优化”的一体化方法，实现智能预测与定向优化。
创新特色 1）复杂微结构的高维特征建模方法。构建包含晶粒坐标、取向及宏观参数的数据集，实现多晶微结构信息精细表达。2）机器学习与分子动力学耦合的性能预测方法。 基于分子动力学数据集，引入随机森林、梯度提升等算法，实现冲击性能与力学响应的高精度快速预测。3）梯度纳米结构强化机制的数据驱动解析方法。通过特征权重分析揭示晶粒尺寸梯度与分布均匀性对强度与塑性的关键作用，明确应力分布优化与位错调控强化机制。4）非平衡快速调控的多相纳米结构构建方法。提出脉冲电流原位析出技术，实现双相纳米颗粒的快速可控生成，为高密度活性位点材料设计提供新路径。
实施成效 本研究构建了“分子动力学模拟—数据集构建—机器学习建模—机制解析—结构优化”的完整技术体系，实现了材料性能预测与结构设计的一体化突破。在性能预测方面，基于多组模型数据训练的机器学习模型对镁合金冲击性能预测精度显著提升，部分模型决定系数（R²）达到0.9以上，验证了方法的有效性与可靠性。在机制解析方面，系统揭示了晶粒空间分布与梯度结构对材料力学性能的影响规律，明确了梯度纳米结构通过调控应力分布与位错演化实现强韧化的物理机制。在材料设计方面，提出的脉冲电流原位析出方法可在短时间内实现高密度纳米颗粒构建，显著提升材料的催化反应活性与稳定性。相关研究成果已在材料科学与计算物理领域国际期刊发表，形成了具有交叉学科特色的研究体系。
推广价值 该方法可应用于镁合金、高熵合金及功能材料研发，缩短周期、降低成本，推动材料设计由“经验驱动”向“数据驱动”转变。体现人工智能与材料科学深度交叉，为3133拉斯维加斯官网科研创新和人才培养提供范式，并助力我国在先进结构材料与智能材料设计领域提升自主创新能力，服务高端制造与新材料产业发展。
