|
眼眸如秋水, 看透晦澀數據。 眉宇如利劍, 破解學術迷障。 笑靨如彎月, 書寫攻堅克難的決心。 沒有脂粉堆砌, 亦無矯揉造作, 在實驗室里運籌帷幄, 在學術疆場勇往直前。 ——摘自一位粉絲對貴州大學謝蘭教授的傳神描述 在全國區域企業數智化產教融合中心(貴州大學與貴州民族大學共建),謝蘭教授帶領團隊正在緊張地進行一場顛覆傳統的材料研發實驗。 她們通過人工智能算法,基于多模態融合模型設計了結構功能一體化的電磁屏蔽高分子復合材料,僅用2個月便完成了設計與實驗驗證。 為了精準預測不同成分與結構的材料電磁屏蔽性能,謝蘭與團隊構建了提取SEM圖像中的孔隙率、填料分布等微結構特征與處理含量等數值數據的GatedFusion多模態模型。她們對4種人工智能設計的電磁屏蔽材料性能進行了預測,預測值與實驗驗證值平均誤差<5%。 這項研究首次證明,多模態數據融合可捕捉材料成分與微結構的非線性關聯,為電磁屏蔽材料的“逆向設計”提供了數據驅動工具,推動材料研發從“試錯實驗”向“精準預測”轉變。 這背后,是謝蘭教授20年跨界深耕的智慧結晶。 為材料研發裝上智能引擎 謝蘭教授本科與碩士階段分別在四川師范大學與電子科技大學攻讀軟件工程,博士轉向四川大學材料加工工程,留學英國謝菲爾德大學期間又深入學習高分子物理技術。這種“軟件工程+材料科學”的復合學術背景,讓她在2016年入職貴州大學后,迅速捕捉到材料研發的“數智化”機遇。 謝蘭教授說:“傳統材料研發存在數據孤島,材料成分、微觀結構、制備工藝與性能數據缺乏系統性關聯;試錯成本高,比如電磁屏蔽材料單一性能優化,年均需開展500+次配方實驗,耗時耗力;跨尺度調控難,納米填料分散與宏觀結構設計缺乏理論銜接,依賴經驗試錯等痛點問題。” 針對上述問題,謝蘭教授提出“數據驅動的材料基因解碼”理念,帶領團隊搭建了貴州省首個“高分子功能復合材料多模態基因庫”,整合16000組材料數據,涵蓋石墨烯、氮化硼納米片等20多種類填料,涉及熱導率、電磁屏蔽效能等8項核心性能指標,開發了基于機器學習的“結構-性能”設計平臺,為材料研發裝上“智能引擎”。 構建工程應用創新全鏈條 隨著5G通信、集成電路、新能源汽車等戰略性新興產業的迅猛發展,聚合物基功能復合材料作為核心支撐材料,其導熱、電磁屏蔽、相變儲能等性能面臨嚴苛挑戰。 以電磁屏蔽材料為例,5G基站對屏蔽效能的要求已從4G時代的30 dB提升至50 dB以上,而傳統“試錯法”研發周期長達2-3年,單次配方調整需耗費數十萬元,且難以精準調控納米填料與聚合物基體的界面相互作用及宏觀結構取向。 在此背景下,人工智能與材料科學的深度交叉催生了“材料基因工程”新范式。通過多模態數據融合與深度學習算法,可將材料研發從“經驗試錯”帶入“精準設計”時代。謝蘭教授團隊敏銳捕捉這一機遇,在貴州省率先開展“人工智能+高分子復合材料”的跨界研究,構建了從基礎理論到工程應用的完整創新鏈條。 謝蘭團隊開發的Adam-FCNN全連接神經網絡模型,徹底改變了電磁屏蔽材料的研發邏輯。通過分析1600個神經元的深度網絡,模型能精準預測不同填料配比、微觀結構對屏蔽效能的影響,預測精度高達99.4%。特別是該模型將研發周期從2年壓縮至2個月,時間成本降低91.6%。她們與上海大學、航天電器合作,開展基于高通量數據分析的結構功能一體化導熱高分子復合材料設計與應用,相關技術已申請發明專利近10項。 針對材料研發中“結構-性能”關系難以量化的痛點,謝蘭教授團隊構建了ResNet-FCNN多模態深度學習模型。該模型通過分析SEM圖像中的孔隙率、填料分布等微結構特征,結合填料含量、制備工藝等數值數據,實現了材料性能的精準預測,首次實現了材料微觀結構與宏觀性能的跨尺度映射。 重塑學科育人新模式 在貴州大學,謝蘭教授開創的“人工智能+材料科學”交叉培養模式,正在重塑學科的育人范式。“我們培養的不是傳統材料工程師,而是能駕馭數據的‘材料數字工程師’”;我們培養的不是傳統的軟件工程師,而是能駕馭領域知識的軟件工程師。 如今,這種模式已初見成效:2024屆畢業生周穎博士利用Adam-FCNN模型,僅用2月便完成了某電磁屏蔽材料優化方案,將屏蔽效能從38.8 dB提升至78.6dB;碩士何成雷等同學開發的“功能材料性能預測平臺”,可實時可視化材料成分與性能的關聯,可用于企業生產線智能調控。 謝蘭教授的探索,不僅是材料科學與人工智能的深度融合,更是科研范式與人才培養的雙重革命,是高等教育“新工科”實踐的生動樣本。她用“數據”解構材料基因,用“算法”重構研發流程,用“跨界”激活產業動能,更用“創新”培育未來人才。在貴州這片充滿活力的土地上,她正書寫著“把論文寫在大地上”的新時代科研篇章,為我國從“材料大國”邁向“材料強國”貢獻智慧與力量。 |
