近日，校区材料科学与工程学院王传杰教授团队在镍钛（NiTi）形状记忆合金超弹性退化研究中取得新进展。团队构建了融合多模态微观组织信息与加载条件的可解释学习框架，实现了超弹性退化行为的准确预测，揭示了循环载荷下位错滑移与应力诱导马氏体相变的竞争规律。相关研究成果以《利用多模态数据探索镍钛形状记忆合金超弹性退化的可解释学习框架》（An Interpretable Learning Framework for Exploring Superelastic Degradation of NiTi Shape Memory Alloys Using Multimodal Data）为题，发表在《自然·通讯》（Nature Communications）上。

镍钛形状记忆合金的超弹性源于应力诱导马氏体相变的高度可逆性，然而循环加载会导致残余应变累积、可恢复变形能力下降，影响材料长期服役的功能稳定性。由于晶体取向、位错结构、析出相与加载历史相互耦合，传统研究难以区分各因素对退化的影响，制约了材料的定向优化。针对这一问题，团队提出多分支特征融合架构，整合晶体取向、相分布、几何必需位错密度等微观组织信息，以及循环加载参数和Ni₄Ti₃纳米析出相统计特征，构建了融合多模态微观组织信息与加载条件的可解释学习框架。

研究表明，材料变形幅度较小时，内部原子排列中的缺陷会在反复受力过程中逐渐增多，并先后沿不同方向发生滑移，使材料越来越难恢复原状；变形幅度较大时，内部结构的转变与无法恢复的变形相互影响，还会形成类似镜面对称的原子排列。内部结构的转变能否从一个微小晶体延伸到相邻晶体，不仅取决于受力方向，还取决于相邻晶体能否协调变形。材料内部细小、分布均匀的镍钛化合物颗粒，能够调节局部受力、阻碍缺陷移动，从而减缓回弹能力下降；但颗粒变大或变形幅度增大后，这种作用会减弱。

该研究打破了传统机器学习黑箱模型在机理阐释上的局限，不仅为理解形状记忆合金的循环变形行为提供了全新的微观演化视角，也为运用可解释人工智能探索材料的服役性能退化指明了新路径。此外，研究团队所提出的多分支融合框架可进一步引入温度、应变率等服役变量，为复杂工况下的材料性能预测、功能稳定性评价与优化设计提供有力的工具支撑。

NiTi合金超弹性退化的多模态可解释学习框架

校区博士研究生胡越杰为论文第一作者，王传杰教授和香港理工大学傅铭旺教授为共同通讯作者。研究工作得到了山东省自然科学基金、哈工大原创前沿探索基金等项目的支持。（胡越杰）

文章链接：https://doi.org/10.1038/s41467-026-77250-4