Opening the Black Box: An Explainable, Few-shot AI4E Framework Informed by Physics and Expert Knowledge for Materials Engineering
作者: Haoxiang Zhang, Ruihao Yuan, Lihui Zhang, Yushi Luo, Qiang Zhang, Pan Ding, Xiaodong Ren, Weijie Xing, Niu Gao, Jishan Chen, Chubo Zhang
分类: cs.LG, cs.AI
发布日期: 2025-11-28
💡 一句话要点
提出基于物理和专家知识的AI4E框架，解决材料工程中少样本、可解释性难题
🎯 匹配领域: 支柱四：生成式动作 (Generative Motion)
关键词: AI4E 少样本学习 可解释性AI 材料工程 本构模型发现
📋 核心要点
- 传统AI方法在工程领域应用受限，主要因为高质量数据稀缺，且黑盒模型缺乏可解释性，难以满足安全要求。
- 该论文提出一种基于物理和专家知识的AI4E框架，通过数据增强、嵌套优化等策略，提升模型的可解释性和准确性。
- 在航空K439B高温合金铸件修复焊接案例中，该方法仅用少量数据就实现了88%的热裂倾向预测准确率。
📝 摘要（中文）
人工智能在工程领域的应用（AI4E）面临两个根本瓶颈：高质量数据稀缺和黑盒模型缺乏可解释性，这在航空航天等安全敏感领域尤为关键。本文提出了一种可解释的、少样本AI4E框架，该框架在其架构中系统地融入了物理和专家知识。以航空K439B高温合金铸件修复焊接案例为例，仅使用32个实验样本，我们首先通过一个三阶段协议来扩充物理上合理的合成数据：差异化噪声注入（根据过程可变性校准）、硬物理约束的执行以及参数间关系的保持。然后，我们采用嵌套优化策略进行本构模型发现，其中符号回归探索方程结构，而差分进化优化参数，随后使用混合全局-局部优化进行密集参数细化。由此产生的可解释本构方程在预测热裂倾向方面达到了88%的准确率。该方程不仅提供定量预测，还提供显式的物理洞察力，揭示了热力学、几何和冶金机制如何耦合以驱动裂纹，从而提升工程师对该过程的认知理解。此外，该本构方程还可用作过程优化和高保真虚拟数据生成的多功能工具，从而提高其他数据驱动模型的准确性。我们的方法为开发可信赖的AI系统提供了一个通用蓝图，该系统将工程领域知识直接嵌入到其架构中，从而能够在数据有限但物理理解可用的高风险工业应用中实现可靠应用。
🔬 方法详解
问题定义：在材料工程领域，特别是航空航天等高风险行业，人工智能的应用面临着数据稀缺和模型可解释性差的双重挑战。传统的黑盒模型难以提供物理洞察，限制了工程师的认知理解和过程优化。因此，如何利用少量数据构建高精度、可解释的材料本构模型成为一个关键问题。
核心思路：该论文的核心思路是将物理知识和专家经验融入到AI模型的构建过程中，从而在数据有限的情况下提高模型的泛化能力和可解释性。具体而言，通过物理约束的数据增强、符号回归和参数优化等手段，构建一个既能准确预测材料行为，又能揭示内在物理机制的本构模型。
技术框架：该框架主要包含三个阶段：1) 物理约束的数据增强：通过差异化噪声注入、硬物理约束和参数关系保持等方法，从少量实验数据中生成大量物理上合理的合成数据。2) 嵌套优化的本构模型发现：采用符号回归探索方程结构，差分进化优化参数，然后使用混合全局-局部优化进行参数细化。3) 模型验证与应用：使用实验数据验证模型的准确性，并将其应用于过程优化和虚拟数据生成。
关键创新：该论文的关键创新在于将物理知识和专家经验系统地融入到AI模型的各个环节。与传统的黑盒模型相比，该方法构建的模型具有更高的可解释性，能够提供物理洞察，帮助工程师理解材料行为的内在机制。此外，该方法还提出了一种新颖的嵌套优化策略，能够有效地搜索本构方程的结构和参数。
关键设计：在数据增强阶段，论文根据过程可变性校准噪声注入，并强制执行硬物理约束，例如能量守恒定律。在模型发现阶段，符号回归使用预定义的函数库（例如加减乘除、三角函数等）来搜索方程结构，差分进化算法用于优化方程参数。混合全局-局部优化策略结合了全局搜索的优点和局部搜索的精度，能够有效地细化参数。
📊 实验亮点
该方法在航空K439B高温合金铸件修复焊接案例中，仅使用32个实验样本，就实现了88%的热裂倾向预测准确率。与传统的黑盒模型相比，该方法不仅提高了预测精度，还提供了显式的物理洞察力，揭示了热力学、几何和冶金机制如何耦合以驱动裂纹。
🎯 应用场景
该研究成果可广泛应用于材料工程领域，例如航空航天、汽车制造等。通过构建高精度、可解释的材料本构模型，可以优化工艺参数、预测材料性能、加速新材料研发，并降低实验成本。此外，该方法还可以推广到其他工程领域，为解决数据稀缺和模型可解释性问题提供借鉴。
📄 摘要（原文）
The industrial adoption of Artificial Intelligence for Engineering (AI4E) faces two fundamental bottlenecks: scarce high-quality data and the lack of interpretability in black-box models-particularly critical in safety-sensitive sectors like aerospace. We present an explainable, few-shot AI4E framework that is systematically informed by physics and expert knowledge throughout its architecture. Starting from only 32 experimental samples in an aerial K439B superalloy castings repair welding case, we first augment physically plausible synthetic data through a three-stage protocol: differentiated noise injection calibrated to process variabilities, enforcement of hard physical constraints, and preservation of inter-parameter relationships. We then employ a nested optimization strategy for constitutive model discovery, where symbolic regression explores equation structures while differential evolution optimizes parameters, followed by intensive parameter refinement using hybrid global-local optimization. The resulting interpretable constitutive equation achieves 88% accuracy in predicting hot-cracking tendency. This equation not only provides quantitative predictions but also delivers explicit physical insight, revealing how thermal, geometric, and metallurgical mechanisms couple to drive cracking-thereby advancing engineers' cognitive understanding of the process. Furthermore, the constitutive equation serves as a multi-functional tool for process optimization and high-fidelity virtual data generation, enabling accuracy improvements in other data-driven models. Our approach provides a general blueprint for developing trustworthy AI systems that embed engineering domain knowledge directly into their architecture, enabling reliable adoption in high-stakes industrial applications where data is limited but physical understanding is available.