编者按：为深入贯彻落实习近平总书记在2026世界人工智能大会暨人工智能全球治理高级别会议开幕式上的重要讲话精神，省发展改革委会同省级部门、企业、高校，依托云南丰富多元的特色场景优势，聚焦重点领域，以场景应用为牵引，从各行各业中遴选出一批“人工智能+”典型案例，陆续对外发布，推动人工智能赋能千行百业，促进人工智能和实体经济深度融合。
基于机器学习的贵金属材料智能设计方法及平台
一、案例方向
“人工智能+”科学技术
二、推介单位
云南贵金属实验室有限公司
三、案例简介
新材料研发长期依赖“试错”模式，1个催化剂配方从设计到定型通常需要3—5年。本案例以贵金属键合材料、合金材料、催化材料、钎焊材料四类材料和相图预测为验证场景，基于材料基因工程一期及实施期间积累的多源数据，为每类材料分别构建了专用机器学习预测模型，形成覆盖多体系的模型群。在此基础上，建立了“数据驱动建模→模型指导设计→实验验证→数据反馈迭代→模型再次推荐”的闭环研发范式，将材料筛选周期从3—5年缩短至1—2年。为降低模型使用门槛，进一步开发了集成数据清洗、特征工程、模型训练与逆向设计的材料自主机器学习Web可视化平台，目前已在集团材料基因工程数据平台部署使用。
四、创新点
1.数据与物理知识双驱动的材料闭环设计范式。将第一性原理计算和固溶强化理论提炼的物理描述符融入ML特征工程，建立了“数据驱动建模→模型指导设计→实验验证→数据反馈迭代→模型再次推荐”的闭环，在四类贵金属材料中完成了“预测—合成—测试—反馈”的实验验证，将催化剂筛选周期从3—5年缩短至1—2年。
2.多材料体系通用的机器学习可视化平台。将数据清洗、特征工程、模型训练与逆向设计封装为Web可视化应用，覆盖四类材料体系和项目，内置多种算法和优化策略，零代码使用门槛，已在集团内材料基因工程数据平台部署使用。
“人工智能+”典型案例详细介绍
一、基本概况
新材料研发长期以经验指导实验为核心，1个催化剂配方从设计到定型平均耗时3—5年，试错成本高、周期长。机器学习可以从三个层面改变这一现状：以历史数据和计算数据训练预测模型，用模型指导材料设计替代盲目试错，再通过实验验证反馈迭代优化模型。然而在实际落地中，材料标注数据稀缺、多尺度物理机制导致单一模型泛化困难、实验闭环反馈周期长等问题始终存在。本项目以贵金属键合材料、合金材料、催化材料、钎焊材料四类材料和相图为验证场景，基于材料基因工程一期沉淀数据及实施期间新采集的实验与计算数据，构建了“数据驱动建模→模型指导设计→实验验证→数据反馈迭代→模型再次推荐”的闭环研发范式。为降低使用门槛，进一步开发了材料自主机器学习Web可视化平台。
二、主要做法
（一）多源数据整合与特征工程
基于材料基因工程一期及项目实施期间积累的数据，针对五类材料分别建立了结构化数据库：催化材料方向覆盖CO₂加氢反应数据，键合材料涵盖抗拉强度、再结晶温度、弹性模量三维力学性能数据，合金材料整合了第一性原理弹性常数与高温力学性能，相图方向完成3个三元系和9个二元系的热力学评估，焊料方向完成了历史数据的聚类分析与成分描述符定义。特征工程中将DFT计算提取的功函数、d带中心、Bader电荷等物理描述符与实验工艺参数融合，构建了物理知识约束的特征集。
（二）机器学习模型构建与材料设计
在四类材料和相图上分别构建了专用ML预测模型：催化材料采用XGBoost经Optuna500轮超参数优化，CO₂转化率预测R²达0.89；键合材料建立抗拉强度、再结晶温度、弹性模量三目标联合预测模型，精度均超85%；Pt基高温合金采用大样本基模型→小样本迁移学习策略，以第一性原理计算弹性常数、层错能等数据训练基座模型，再迁移到实测高温力学性能数据微调；Ag基中温焊料以变分自编码器加MCMC采样实现逆向成分生成。相图方向对比了SVM、RF、KNN、GPC、MLP五种分类算法，最优精度超90%；各模型输出直接用于推荐候选材料配方或工艺参数，替代传统试错式筛选。
（三）实验验证与闭环迭代
模型推荐的候选材料经实验合成与性能测试后，实验数据反馈回模型进行增量训练。在催化材料方向，搭建了主动学习闭环——每轮迭代由模型不确定性估计识别信息价值最高的候选催化剂，实验验证后反馈更新，3轮迭代从200余种候选催化剂中锁定5个高性能配方，甲酸催化剂在≤90℃下TOF≥100，甲醇催化剂在≤240℃下甲醇选择性>70%。在金基键合材料方向，三目标联合预测模型经迭代优化后，成功开发出1种新型键合金丝（≥99.99%Au，直径18±1μm，断裂负荷≥5.0cN，延伸率2%—5%），实测性能全部达标。在Pt基高温合金方向，贝叶斯优化驱动6轮主动学习迭代后开发出2种新型合金，室温抗拉强度≥1500MPa、延伸率≥10%，1600℃抗拉强度≥35MPa、延伸率≥20%，1600℃/10MPa持久寿命≥12h，1600℃/10h氧化失重≤80mg/cm²。Ag基中温焊料方向通过模型逆向设计产出2种新型无镉银基焊料，经实测验证焊接温度<600℃、接头抗拉强度≥400MPa。相图方向以主动学习采样102个关键点即达到98%分类精度。
（四）机器学习可视化平台
为降低模型使用门槛，将上述方法论封装为材料自主机器学习Web可视化平台，集成数据清洗（Z-Score标准化、缺失值插补、异常值检测）、特征工程（皮尔逊相关系数分析、递归特征消除）、模型训练（多种算法自动调参与交叉验证）、逆向设计（遗传算法、贝叶斯优化、生成式网络）四大功能模块。操作人员无需编程即可完成从数据上传到设计建议输出的完整工作流。平台已在集团催化板块、键合材料产线和钎焊材料研发组三个场景部署使用。
三、应用成效
研发效率方面：将高温合金等材料的筛选周期从3—5年缩短至1—2年。在新材料开发方面，金基键合材料成功开发出1种新型键合金丝（≥99.99%Au，直径18±1μm，断裂负荷≥5.0cN，延伸率2%—5%），已在下游客户完成应用验证，性能指标全部达标，具备替代进口产品的技术基础。Pt基高温合金开发出2~3种新型合金，室温抗拉强度≥1500MPa、延伸率≥10%，1600℃抗拉强度≥35MPa、延伸率≥20%，1600℃/10MPa持久寿命≥12h，1600℃/10h氧化失重≤80mg/cm²，已通过下游用户应用验证，在高温结构件领域展现出替代传统材料的潜力。
平台推广方面：材料自主机器学习软件平台已在集团催化板块、键合材料、高温合金材料、钎焊材料研发方向等多个场景实际使用，无需编程即可操作。AutoCat-kit高通量DFT计算软件在集团内部两个课题组部署，单次任务可批量计算数百个催化构型，日均DFT计算通量提升一个数量级。
方法论推广方面：项目形成的“数据驱动建模→模型指导设计→实验验证→数据反馈迭代→模型再次推荐”的闭环研发范式，已被后续多个在研项目沿用。五套ML模型的训练策略为同类材料体系的AI建模提供了可复用的模板。
四、创新点
（一）数据与物理知识双驱动的材料闭环设计范式。将第一性原理计算和固溶强化理论提炼的物理描述符融入ML特征工程，建立了“数据驱动建模→模型指导设计→实验验证→数据反馈迭代→模型再次推荐”的闭环，在四类贵金属材料中完成了“预测—合成—测试—反馈”的实验验证，将材料研发周期从3—5年缩短至1—2年。
（二）多材料体系通用的机器学习可视化平台。将数据清洗、特征工程、模型训练与逆向设计封装为Web可视化应用，覆盖四类材料体系和项目，内置多种算法和优化策略，零代码使用门槛，已在集团内材料基因工程数据平台部署使用。