材料信息技術（MI）因有助于高效率材料開發(fā)而受到關注。日本神戶制鋼公司在進行各種金屬材料開發(fā)和使用技術開發(fā)中，應用以AI和模擬技術為代表的MI技術。其代表性的事例有，基于試驗數(shù)據(jù)的應用AI技術對焊接材料和薄鋼板性能預測，調(diào)整化學成分和熱處理條件，以得出達到目標性能材料的事例和應用MI技術使用少量實施例即可獲得材料專利的事例。本文對這兩個事例做了簡要解說。此外，神戶制鋼還進行了構建評價厚鋼板、銅合金的原子級材料組織和性能、部件加工性的計算機模擬系統(tǒng)。本文對此也做了簡要介紹。本文最后對MI的擴大應用進行了展望。
1前言
在構建碳中和社會的環(huán)境下，對材料和部件的要求出現(xiàn)多樣化、復雜化、高端化的趨勢。材料和部件的開發(fā)競爭也日趨激烈。因此，需要推進高效率新材料開發(fā)技術的研究。
傳統(tǒng)的材料開發(fā)主流模式依存于試驗、理論和研究者經(jīng)驗，需要花費大量的時間和人力。近年來，解決這個問題的一個新的材料開發(fā)方法，材料信息技術（MI）受到關注。2011年美國的材料基因組計劃首先提出了MI，2010年代中期，日本的信息集成型物質(zhì)材料研發(fā)計劃（MI2I）和研究結構材料的SIP-MI等國家項目，對MI進行了基礎新研究。此后，材料制造廠也進行應用MI的材料開發(fā)，此外，信息技術提供商也開始提供各種服務，使MI的產(chǎn)業(yè)應用不斷擴大。神戶制鋼實施數(shù)字化轉型戰(zhàn)略的一項措施是進行利用MI的材料開發(fā)。
MI中包括將AI/機器學習為代表的信息科學用于材料科學的材料信息學和SIP-MI提出的試驗、理論、計算/模擬與信息科學融合的材料集成理念。代表性的應用MI的材料開發(fā)方法有，從獲得實現(xiàn)象的演繹入手，構建物理模型，利用模擬方法，在計算機上進行材料開發(fā)的方法和從歸納入手，利用AI對試驗和模擬得到的數(shù)據(jù)進行分析，得出化學成分與材料性能的關系的方法。
模擬技術包括利用第一原理計算和分子動力學進行的原子級的微觀計算、利用冶金理論和相場法進行的材料組織、性能的介觀尺度計算、對部件加工性和強度性能進行評價的有限元（FEM）宏觀計算和相應的應用技術。AI技術中常用的技術有，根據(jù)設計信息用線性回歸、高斯過程回歸、神經(jīng)元網(wǎng)絡等對材料性能預測模型（正問題解析）回歸，進行數(shù)據(jù)學習的技術和用貝葉斯優(yōu)化技術對達到要求的材料性能的設計信息進行優(yōu)化，探索問題解（逆問題解析）的技術。
神戶制鋼進行了鋼鐵、鋁合金、銅合金、焊接材料等各種金屬材料的化學成分和制造工藝的研究，開發(fā)出各種要求性能的材料。并進行了將材料加工為部件和保證部件性能的結構設計等材料應用的開發(fā)。在各種金屬材料的開發(fā)和應用中，適宜地使用了MI技術（圖1）。本文首先介紹神戶制鋼基于試驗數(shù)據(jù)用AI預測材料性能，調(diào)整化學成分和熱處理條件進行焊接材料開發(fā)的事例，其次介紹薄鋼板開發(fā)的事例。最后介紹構建微觀、宏觀各尺度模擬模型并與AI組合進行厚鋼板、銅合金開發(fā)和銅合金材料應用的事例。
2利用試驗數(shù)據(jù)和AI進行焊接材料開發(fā)
下面介紹的事例是，根據(jù)試驗數(shù)據(jù)，用AI學習材料性能預測模型，探索具有優(yōu)良強韌性的電弧焊用藥芯焊絲。
圖2是該事例開發(fā)的利用AI進行預測、探索技術的概略圖。傳統(tǒng)的焊接材料的開發(fā)是考慮下述①～④的關系進行開發(fā)。①原材料調(diào)配、②許多原材料構成的焊接材料的化學成分（焊接材料成分）、③焊接后焊縫金屬的化學成分（焊縫金屬化學成分）、④焊縫金屬的力學性能。考慮焊接材料開發(fā)特點的MI技術是①～④正逆向關系的AI預測和探索技術。預測技術構建進行①→②、②→③、③→④正向計算的預測模型，用各預測模型的連結，實現(xiàn)了①～④的全體預測。此外，開發(fā)出④→③→②→①逆向計算的探索技術。以下對各預測·探索技術進行說明。
首先，根據(jù)①原材料配比，用線性式表示成分特點，將焊接材料成分預測模型化。開發(fā)出根據(jù)焊接材料成分的、基于線性模型的效果顯著的凸最佳化的原材料配比探索方法。然后，由于用物理理論難于根據(jù)②焊接材料成分建立③焊接金屬成分的預測模型和難于根據(jù)③焊接金屬成分建立焊接金屬性能的預測模型。所以，利用基于試驗數(shù)據(jù)的機器學習方法建立高斯過程回歸學習預測模型。但是，預測模型的說明變量焊接材料成分和焊縫金屬成分的種類多達數(shù)十個。對于有限的試驗數(shù)據(jù)，使用單一的機器學習方法，不能達到良好的預測精度。為了提高預測精度，將焊接材料成分中影響小的成分去除，減少了說明變量，并開發(fā)出利用試驗溫度與脆性斷口率關系的焊縫金屬韌性預測模型。此外，根據(jù)④焊縫金屬性能對焊縫金屬成分和焊接材料成分關系的探索，使用了高斯過程回歸和貝葉斯優(yōu)化技術。
現(xiàn)在，已經(jīng)將本開發(fā)技術用于建筑結構用高強度鋼電弧焊藥芯焊絲的開發(fā)。首先，收集大范圍強度級別的數(shù)千個試驗數(shù)據(jù)，學習預測模型。然后，設定檢證項目：焊縫金屬抗拉強度TS≥830MPa、0℃韌性（vE0℃，0℃夏比吸收能）≥90J。對預測的原材料配比進行探索，并試制出實際焊絲，對焊縫金屬性能進行評價。將評價結果追加到評價結果，進行同樣的多次試驗。圖3是基于人的知見的傳統(tǒng)設計方法試制焊絲的焊縫金屬性能（○）和基于MI試制焊絲的焊縫金屬性能（●）。與傳統(tǒng)設計方法相比，利用MI進行了大幅度的各成分變化的設計，其中的一個設計焊接材料的TS、vE0℃性能經(jīng)優(yōu)化達到目標性能。利用MI，高效率得出達到目標性能的焊接材料，并且，得到了與傳統(tǒng)設計方法不同的成分利用的新效果。
3利用試驗數(shù)據(jù)和AI進行薄鋼板材料開發(fā)
下面介紹的事例是，根據(jù)神戶制鋼積累的試驗數(shù)據(jù)，用AI構建材料性能預測模型，對備選材料探索，開發(fā)出達到目標性能的汽車用超高強薄鋼板，并且，用很少的實施案例就可獲得專利。
汽車用超高強薄鋼板的性能要求是，為保證沖撞安全性的高抗拉強度（TS）和保證良好加工性的高伸長率（EL）及擴孔率（λ）。這是兩種性能相悖的力學性能。一般來說，鋼中添加較多的合金成分可以提高力學性能，但為了保證良好的焊接性和制造性，對合金添加量有上限要求。在這種制約條件下進行具有優(yōu)良力學性能的超高強薄鋼板的開發(fā)難度很大，開發(fā)需要的試驗成本巨大。于是，對利用MI技術，用很少的試驗，探索要求性能的薄鋼板進行了嘗試。
首先，使用神戶制鋼此前積累的超高強鋼的360個試驗數(shù)據(jù)，構建利用AI的性能預測模型。在模型的說明變量中加入了鋼材成分、熱處理條件和“Ae3點與均熱溫度的差（T1）”、“Ms點與冷卻停止溫度的差（T2）”。直接考察這些參數(shù)變化引起的材料組織的變化，提高了薄鋼板力學性能的預測精度。Ae3點和Ms點利用熱力學計算軟件Thermo-Calc根據(jù)鋼的成分算出。目的變量3個：TS、EL、λ。預測方法是高斯過程回歸。圖4是TS、EL的預測值與試驗值的關系。利用AI的性能預測模型可對TS、EL進行高精度的預測。
然后，利用構建的性能預測模型和貝葉斯優(yōu)化，在設定的C、Si、Mn成分范圍內(nèi)，探索達到目標性能：TS≥950MPa、EL≥22%、λ≥20%的材料。根據(jù)貝葉斯優(yōu)化得到的達到要求性能概率最大的預測成分和熱處理條件，試制材料，并進行性能評價。第一次探索得出了18種材料。第二次探索將第一次探索的試驗材料追加到學習數(shù)據(jù)，進行兩種材料的探索。結果是，第二次探索得到了達到目標性能的薄鋼板材料。
此外，對于上述研究得到的成分和熱處理條件，利用AI性能預測模型，使用很少的實施例獲得了專利。具體的流程是，①首先對用大量的試驗數(shù)據(jù)構建根據(jù)成分、熱處理條件預測材料性能的AI模型進行說明。②利用AI模型制作申請項范圍內(nèi)、外的成分、熱處理條件下的性能預測的虛擬數(shù)據(jù)，對申請范圍的適宜性進行說明。③表示出用實際的試驗數(shù)據(jù)對實施例與比較例的比較結果。通常，為了規(guī)定申請項的范圍，需要提供基于參數(shù)變化的許多試驗數(shù)據(jù)的實施例。現(xiàn)在，用AI預測的虛擬數(shù)據(jù)替代了大部分的試驗數(shù)據(jù)，形成了只有兩個實際的試驗數(shù)據(jù)的專利。
