Physics-informed deep learning for virtual crystallographic phase and grain orientation reconstruction of additively manufactured alloys

想象你是一名正在试图破解谜题的侦探，但你唯一的线索是一张模糊的黑白犯罪现场素描图。你知道嫌疑人正躲在阴影中，但素描既没有显示他们的脸，也没有显示他们的衣服，甚至连他们面向哪个方向都看不出来。这正是科学家们在研究 3D 打印金属时面临的日常困境。他们使用一种名为扫描电子显微镜（SEM）的强大工具来拍摄极其清晰、高分辨率的金属表面照片。这些照片展示了金属的“地貌”——它的丘陵、山谷和裂缝。然而，为了真正了解这种金属有多强韧或多柔韧，科学家需要了解其内部的“灵魂”：原子的精确排列以及晶体的指向方向。通常情况下，获取这些信息需要另一种更慢、更困难、也更复杂的工具——电子背散射衍射（EBSD）。但问题在于，3D 打印过程中快速且炽热的过程往往会将金属的内部结构破坏得非常严重，以至于 EBSD 工具会产生混乱、无法读取的数据。这就像是在读一本书，但书页皱巴巴的，墨迹也模糊不清。

多年来，科学家们一直尝试利用计算机程序，仅通过观察表面照片来推测内部结构。但这些程序就像是只会死记硬背答案而并不理解数学原理的学生；它们生成的图像可能看起来很漂亮，但在科学上却是错误的。它们可能会在物理学上不可能存在的地方画出晶界，或者给晶体赋予错误的“颜色”（代表其方向）。本文介绍了一种新型的侦探：一种人工智能，它不仅仅是在进行猜测，而是像遵循严格的物理定律和晶体学规则手册一样进行推理。通过教会这个 AI 这些规则，研究人员可以将一张简单的、标准的 3D 打印金属黑白照片，转化为一张详细的、带有颜色编码的内部原子世界地图，即使是在金属结构杂乱且扭曲的情况下也能做到这一点。

“物理启发式”侦探的魔力

由清华大学和新南威尔士大学的曹卓翰及其同事领导的研究团队，开发了一个聪明的系统，他们称之为 PI-CycleGAN。你可以将这个系统想象成一个三步走的翻译机，将简单的表面照片转化为复杂的晶体图谱。

第一步：阅读地貌
首先，AI 查看一张由电子显微镜拍摄的标准黑白照片。在这些照片中，金属看起来就像一张具有脊线和谷地的地形图。AI 的任务是确定“晶粒”（构成金属的单个晶体）的位置。在理想状态下，AI 本可以只是进行猜测，但研究人员教会了它遵守交通规则。他们加入了“物理约束”，迫使 AI 保持晶粒之间的线条平滑且连续，就像真实的晶界行为一样。这就像是在告诉 AI：“你可以画线，但你不能把线条画得参差不齐，也不能违反几何定律。”其结果是一个高质量的“带对比度（Band Contrast）”图，本质上是原始照片的一个更清晰、更详细的版本，突出了晶粒结构。

第二步：识别成员
接下来，AI 获取那张清晰的晶粒图，并询问：“每个晶粒是由什么样的材料组成的？”在 3D 打印金属中，不同的部分可能由不同的相组成（就像暴风雪中的不同种类的冰）。AI 采用了一种“相启发式（phase-informed）”的方法。它观察金属的整体配方（每种类型应该存在多少），并确保 AI 不会意外发明新的成分或遗忘现有的成分。它强制 AI 保持比例正确，确保如果金属应该是 90% 的一种类型和 10% 的另一种类型，那么生成的图谱能精确反映这一点。这一步创建了一张“相图（Phase Map）”，用不同的颜色区分不同的晶体类型。

第三步：寻找方向
最后，也是最困难的部分：确定每个晶体指向哪个方向。在晶体学中，方向通常用彩虹般的颜色来表示（反极图或 IPF 图）。如果晶体向上指，它可能是红色的；如果它向侧面指，它可能是蓝色的。标准的 AI 经常在这方面出错，仅仅因为画面看起来好看，就会把本该是蓝色的晶体涂成红色。然而，研究人员的 AI 是“物理启发式”的。它知道晶体在旋转和连接邻居时有着特定的规则。它会根据“有效颜色空间”检查自己的工作，以确保所选的颜色在物理上是可能的。它还确保在单个晶粒内部，颜色基本保持统一，而在晶界处，颜色会发生剧烈变化，就像真实的晶体一样。

结果：从模糊到清晰

该团队在 Ti-6Al-4V 上测试了这个系统，这是一种广泛用于航空航天和医疗植入物的钛合金，由于 3D 打印使其内部结构变得异常混乱，该材料极难进行分析。他们将 AI 生成的图谱与真实的、高质量的 EBSD 数据（难以获取的“金标准”）进行了对比。

结果令人印象深刻。AI 生成的图谱与真实的图谱几乎一模一样。

• 准确性： 当测量图像的相似度时，AI 获得了很高的分数。对于晶粒图，相似度约为 0.75（在 1 为完美的标度下），误差极小，平均差异仅为 0.08。
• 相检测： AI 正确识别了金属中不同类型的晶体。在猜测各相含量的误差方面，其数值极低，仅为 0.015。
• 方向寻找： 即使对于复杂的方向图，AI 在大多数情况下也能选对颜色。晶体“颜色”的误差在标准颜色标度下小于 30 个单位，这意味着方向非常接近真相。

至关重要的是，研究人员证明了这并非偶然的运气。他们在没有“物理规则”（约束）的情况下测试了 AI。没有这些规则，AI 生成的图谱乍看之下还可以，但在科学上却是错误的——它们具有不规则的、不可能存在的边界以及错误的晶体方向。这证明了“物理启发式”部分才是真正的核心秘诀。

它在其他金属上有效吗？

为了确保这位侦探不仅仅擅长解决一个特定的案件，团队在其他金属上也测试了该 AI：316L 不锈钢、Inconel 617（一种超合金）以及 2219 铝合金。这些金属具有不同的内部结构，并且是通过不同的 3D 打印方法制造的。

AI 轻松应对了所有情况。

• 对于不锈钢和超合金，生成的图谱清晰且准确。
• 对于铝合金，其具有复杂的晶体混合物，AI 仍然能够准确获取晶粒形状，AI 预测值与真实数据之间的相关性达到了 0.90。
• 铝合金晶体的“颜色”误差也非常低，保持在 30 个单位以下。

这表明该 AI 不仅仅是在死记硬背钛合金的外观；它实际上已经学习了晶体行为的普遍规则。它可以利用一张简单的照片，告诉您几乎任何 3D 打印金属的内部秘密。

为什么这很重要

这项工作为观察 3D 打印金属提供了一种新途径。科学家们不再需要依赖昂贵、缓慢且在面对 3D 打印产生的混乱结构时经常感到困惑的 EBSD 设备，而是可以使用标准的、快速的显微镜照片，并让 AI 来承担繁重的计算工作。这就像拥有一种超能力：你可以通过一张简单的黑白照片，瞬间洞察内部原子那色彩斑斓的隐藏世界。

研究人员谨慎地指出，虽然这是一个巨大的进步，但它是一个用于重构的工具，而不是一个可以取代所有其他测试的“魔杖”。然而，对于绘制增材制造合金内部结构的特定问题，这种物理驱动的方法已经证明了其高度的可靠性、准确性和跨材料的通用性。它将模糊的素描转化为清晰、具有科学有效性的地图，为构建未来的金属提供了更快、更好的质量控制手段。