人工智能（AI）正迅速成为横跨几乎所有科学学科的新型科学发现范式，即数据驱动科学。在材料科学与工程领域，AI 已开始发挥变革性影响，这使得探讨 AI 与材料塑性之间的交互作用不仅正当其时，且迫在眉睫。本研究对 AI 与塑性领域的融合进行了全面的综述，重点介绍了用于发现、构建代理模型以及模拟材料塑性行为的前沿 AI 方法论。

从材料科学的角度出发，我们审视了控制塑性变形的因果关系，包括微观结构表征以及通过塑性本构模型描述的宏观响应。从 AI 方法论的角度出发，我们评述了广泛的应用方法，涵盖了从频率派技术（如传统机器学习 (ML)、深度学习 (DL) 和物理信息模型）到纳入不确定性量化与生成式 AI 方法的概率框架。本文在材料表征及塑性相关应用的背景下讨论了这些数据驱动方法。

本综述的主要目标是建立一个基于 AI 方法论且组织严密的全面分类体系，重点强调并区分这些技术在材料塑性特定领域中的关键要素，包括模型架构、数据需求以及预测性能。通过这项工作，我们旨在为材料界的学者和从业者提供清晰的研究路线图，同时针对 AI 在推动材料塑性与表征（这一在 AI 驱动时代日益重要的领域）中的作用，提供更深层的物理洞察与直觉。

**关键词：**人工智能 (AI)，机器学习 (ML)，深度学习 (DL)，生成式 AI，材料塑性，微观结构表征

**1. 引言

作为一种本构模型（CM），塑性描述了材料在承受足够大的外力时产生永久变形的能力。这种力学特性在金属中尤为显著，在大多数固体材料中也不同程度地存在；自青铜时代起，人类便利用这一特性将金属加工成工具和武器 [1]。通常，研究者从宏观和微观两个视角审视塑性。 在宏观尺度上，塑性行为表现为可观测的材料响应，通常使用应力-应变状态变量进行描述，其中塑性的起始由屈服强度定义。屈服后，材料表现出塑性流动，并可能伴随应变硬化、应变率硬化和热软化 [2]。这些效应意味着需要不断增加应力才能维持变形。为了捕捉塑性行为在宏观和连续介质层面的表现，计算固体力学和塑性理论得到了广泛应用 [3–5]。 然而，塑性从根本上起源于材料在微观尺度上的内部结构和变形机制。由于原子间结合力远强于观测到的相对较低的材料屈服强度，可以推断晶体材料的塑性变形源于微观滑移过程，而非均匀的原子拉伸 [1]。因此，在原子层面，塑性变形是不连续的，并受到晶格的强烈支配，通过晶格缺陷得以实现。这些被称为“位错”的线缺陷通过降低原子面相对移动所需的应力来促进滑移 [6]。位错运动取决于晶体结构、可用滑移系的数量以及晶界、析出相和其他晶格缺陷等障碍物 [7]。除位错滑移外，变形孪晶和应力诱发相变等机制也可能对某些材料的塑性变形做出贡献 [8]。 上述涉及多尺度框架的塑性机制和材料表征，传统上建立在以物理学为基础的经典范式之上，如经验观测、理论推导和大规模数值模拟。然而，随着数据时代的到来，在人工智能（AI）和机器学习（ML）技术 [9–12] 以及现代计算基础设施 [13, 14] 进步的推动下，第四种范式——即数据驱动科学——应运而生。该范式通过实现对微观结构、加工条件和宏观力学响应之间高度非线性交互作用的分析，为材料科学与表征提供了重大机遇，而这些交互作用仅凭传统的物理驱动模型难以捕捉。1.1 分类体系与术语 固体力学问题由三类控制方程定义：守恒定律（如线性动量平衡）；运动学方程（关联位移、应变和应变率）；以及本构律（通过将运动学量与应力和平衡方程联系起来定义材料响应）。本构模型通常可分为路径无关（或历史无关）模型（如弹性）和路径相关（或历史相关）模型（如塑性） [2, 4]。传统上，这些模型利用简化的加载条件下获得的实验数据进行构建，并校准参数以代表材料行为。然而，在涉及多物理场现象的复杂场景中，此类简化假设往往是不充分且不准确的。此外，对于受高度复杂物理规律支配的问题，在许多情况下推导出具有代表性的解析表达式是不可行的。 随着全场实验技术 [15, 16] 和计算多尺度模拟 [17] 带来的数据可用性不断提高，本构建模已转向“大数据”模式，这既带来了机遇也带来了挑战。这一转变使得数据驱动方法在增强材料表征和建模效率方面日益发挥重要作用。数据驱动和基于 AI 的方法可以根据其可解释性大致分为可解释（白盒）模型和不可解释（黑盒）模型，或根据其学习范式分为监督学习、无监督学习和强化学习 [18]。不可解释模型主要学习输入-输出映射，提供的物理洞察有限，许多 ML 和深度学习（DL）方法属于此类。相比之下，可解释模型旨在产生具有物理意义的本构关系。在学习范式方面，监督学习依赖于带标签的输入-输出数据，无监督学习侧重于发现无标签数据中的模式，而强化学习则能够优化模型参数和架构，以最大化预测性能 [19]。因此，AI 方法论与塑性建模之间的交互至关重要，因为经典的本构方法越来越需要互补的数据驱动方法，而这一领域在现有文献中尚未得到彻底探讨。1.2 既往综述 近年来，数据驱动的 AI 范式与材料固体力学之间的交互引起了广泛关注。大量综述研究调查了这一迅速扩张的领域，彰显了其广度和多样性。在材料设计领域，已发表了多项综合综述，包括关于 AI 与 ML 用于材料设计 [20–25]、逆向设计 [26, 27]、超材料设计 [28, 29] 以及利用大语言模型（LLMs）进行材料设计与发现 [30–34] 的研究。 关于用于材料行为表征的数据驱动 AI 方法（与本文重点最相关），文献中已存在多项近期研究。[35] 综述了用于土壤本构建模的 ML 方法；[36] 和 [37] 分别评述了 ML 在金属成形和板材成形本构建模中的应用；[38] 介绍了 ML 应用，主要是监督学习方法（包括经典 ML 和 DL），用于模拟非线性材料行为。此外，[39] 的近期综述调查了用于有限元法（FEM）的 ML 和 DL 方法，并简要讨论了本构建模；[40] 综述了固体力学中的物理信息数据驱动方法，其中部分物理控制定律被嵌入 DL 流水线中以确保物理一致性。 在现有工作中，最相关的综述见于 [41]，该研究介绍并根据对变形路径或历史的依赖性对数据驱动本构律进行了分类，从计算工程的角度讨论了弹性、塑性等多种本构模型。然而，针对 AI 方法论的详细结构性综述，特别是对应用于本构建模的 AI 技术的深度探讨，在很大程度上仍然空白。 尽管关于材料和建模 AI 方法的综述论文数量不断增加，但仍存在几个关键空白。首先，从材料和本构建模的角度来看，缺乏专门针对塑性的全面综述。其次，大多数研究侧重于特定的 AI 子领域（如 ML 或 DL），而忽视了从频率派范式到概率派范式的方法和架构的统一且全面的综述。第三，现有综述往往表述模糊，缺乏一个能够同时组织 AI 方法及其在材料表征（特别是塑性）中部署情况的、结构良好的分类体系。第四，大多数本构建模综述侧重于宏观表征，在不解决材料行为微观起源及其互连性的情况下预测材料响应，而这可以通过 AI 驱动的方法进行探索。最后，涵盖新兴 AI 范式（如生成式 AI 和 LLMs 的智能体应用）的调研明显缺失。 鉴于这些局限性，本项工作旨在通过提供关于材料塑性的数据驱动 AI 方法的全面且结构化的综述，来填补这些空白。1.3 论文目标与组织结构 在本综述中，我们旨在呈现塑性本构建模中所有应用 AI 方法的系统化且结构化的表征。从塑性视角出发，我们将研究归纳为：基于 AI 方法的材料属性预测、材料响应预测以及微观结构表征，如图 1 所示。从 AI 方法视角出发，我们探讨了在各种场景（如材料建模、微观结构表征、多尺度分析和数据增强等）中应用的所有 AI 途径。 分类体系基于 AI 范式，涵盖了从广泛使用的 ML 和 DL 等频率派方法，到新兴的物理信息和生成式 AI 方法，以及使用 LLMs 的智能体 AI 和用于不确定性量化的概率方法。如图 1 所示（该图突出了 AI 与塑性的交集），我们根据架构分析 AI 方法，以获得对用于塑性建模和材料表征的模型内部机制的更深层见解。本综述考虑了使用 AI 方法实现的所有宏观和微观塑性表征及其与最优模型的关联。本文的主要贡献在于，它为人工智能（不仅在塑性领域，而且在整个材料科学与表征领域）的新兴方法指明了道路，提供了更强的直觉和更深的洞察，从而支持未来的计算建模、设计与发现——这些能力在材料科学家即将迎来的人工智能时代至关重要。 本文组织如下：第 2 节讨论数据集类型、来源及采样策略；第 3 节介绍经典 ML 方法以区分其与 DL 方法；第 4 节涵盖监督学习中最常用的 DL 方法；第 5 节引入新型物理引导（Physics-guided）方法；第 6 节介绍用于材料塑性的概率方法（处理不确定性量化）；第 7 节讨论生成式 AI、LLMs 及智能体 AI 应用；第 8 节讨论性能、最优实践及未来方向；最后在第 9 节给出结论。