物理因果嵌入AI框架，实现高性能相变控温材料的多目标、跨尺度逆向设计

导读

近日，香港中文大学电子工程学系领衔的联合团队在国际顶级综合性学术期刊National Science Review 《国家科学评论》（NSR）发表了题为“Multi-objective and cross-scale inverse design of temperature-control materials via physics-constrained machine learning”的原创研究成果。该工作提出了融合多尺度物理因果律的逆向设计框架PHICS，成功破解了多功能复合材料长期存在的多性能矛盾。

研究背景：

复合相变材料（CPCM）作为瞬时高功率电子器件控温模块的重要组件，在先进电子散热与能源系统中备受关注。然而，该类材料长期面临多物性之间的矛盾：导热与储热的互斥——为提升导热性能而添加更多的填料，不可避免会稀释作为相变主体的有机基质，导致储热密度大幅下降；导热与绝缘的失衡——广获应用的石墨类填料构建的导热网络也可以作为导电通路，使材料丧失电绝缘特性。

人工智能（AI）为材料研发提供了新的动力。在当前“AI for Science”（AI4S）浪潮下，主流方法多将材料设计视为纯数据驱动的“黑盒”映射任务。面对跨尺度物理机制复杂、实验与计算数据稀疏的实际物理世界，单纯依赖统计拟合往往面临外推能力不足、缺乏物理可解释性的难题，也成为下一代材料智能设计的关键科学问题。

研究成果：

针对上述挑战，研究团队构建了PHICS：

l 硬约束的因果链嵌入机器学习：团队将微观界面载流子动力学、介观填料网络以及宏观热、电传导等多尺度物理机理，系统性组织为有向无环图（DAG）。物理规律不再作为外在的惩罚项或事后检验工具，而是作为网络底层的基本拓扑结构，直接规范正向信息流。

l 多目标Pareto寻优：结合增强多样性的多目标优化算法（NSGA-II），系统在包含填料含量、涂层厚度及界面相态等多维设计空间中自主导航，精准锁定了储热、导热与电绝缘综合平衡的Pareto最优解集。

闭环验证：

依据PHICS给出的最优设计方案，团队开展了实验制备与验证，成功研制出基于定向石墨纤维骨架（VA-GF）、正二十八烷（C₂₈H₅₈）基质以及原位烧结非晶氧化铝（am-Al₂O₃）界面涂层的全新复合相变材料：

l 纳米级界面调控：厚度约为20 nm的am-Al₂O₃涂层能够提供最佳的热-电平衡；

l 双重微观机制：该界面层在微观上有效改善了振动频谱匹配，构筑起增强界面热输运的声子桥梁；同时具备足够高的电势垒，扮演了隔绝漏电通道的电子屏障。

实验结果表明，该材料在25–65°C温区内保持了高达238 J/g的储热密度，其热导率显著提升至7.80 W/(m·K)，同时电导率有效抑制至0.093 S/m，在降低漏电风险的同时实现了导热的协同跃升。

该成果入选了NSR的Research Highlight（研究亮点），由上海大学张统一院士团队撰写了题为“Embedding science in AI for inverse materials design”的专评文章，对该工作给予了高度评价。

研究数据：

图1 PHICS框架构建的工作流

图2 PHICS的物理约束拓扑结构、逆向设计的CPCM及其融合界面/相/载流子工程的协同调控机制

论文信息：

Dongliang Ding, Minhao Zou, Ruoyu Huang, Ting Liang, Hang Shi, Ke Xu, Chunyu Wong, Yanhui Chen, Meng Han, Linfeng Yu, Guoxian Zhang, Yangbo Chen, Yimin Yao, Xueao Zhang, Yanguang Zhou, Chengyi Song, Xiaoliang Zeng, Yijie Peng, Tao Deng, Jianbin Xu, Rong Sun, National Science Review 13, nwag503 (2026). https://doi.org/10.1093/nsr/nwag503

研究亮点：

Tao Lyu, Jie Xiong, Tong-Yi Zhang, Embedding science in AI for inverse materials design. National Science Review, nwag615 (2026). https://doi.org/10.1093/nsr/nwag615