眼眸如秋水,
看透晦涩数据。
眉宇如利剑,
破解学术迷障。
笑靥如弯月,
书写攻坚克难的决心。
没有脂粉堆砌,
亦无矫揉造作,
在实验室里运筹帷幄,
在学术疆场勇往直前。
——摘自一位粉丝对贵州大学谢兰教授的传神描述
在全国区域企业数智化产教融合中心(贵州大学与贵州民族大学共建),谢兰教授带领团队正在紧张地进行一场颠覆传统的材料研发实验。
她们通过人工智能算法,基于多模态融合模型设计了结构功能一体化的电磁屏蔽高分子复合材料,仅用2个月便完成了设计与实验验证。
为了精准预测不同成分与结构的材料电磁屏蔽性能,谢兰与团队构建了提取SEM图像中的孔隙率、填料分布等微结构特征与处理含量等数值数据的GatedFusion多模态模型。她们对4种人工智能设计的电磁屏蔽材料性能进行了预测,预测值与实验验证值平均误差
这项研究首次证明,多模态数据融合可捕捉材料成分与微结构的非线性关联,为电磁屏蔽材料的“逆向设计”提供了数据驱动工具,推动材料研发从“试错实验”向“精准预测”转变。
这背后,是谢兰教授20年跨界深耕的智慧结晶。
为材料研发装上智能引擎
谢兰教授本科与硕士阶段分别在四川师范大学与电子科技大学攻读软件工程,博士转向四川大学材料加工工程,留学英国谢菲尔德大学期间又深入学习高分子物理技术。这种“软件工程+材料科学”的复合学术背景,让她在2016年入职贵州大学后,迅速捕捉到材料研发的“数智化”机遇。
谢兰教授说:“传统材料研发存在数据孤岛,材料成分、微观结构、制备工艺与性能数据缺乏系统性关联;试错成本高,比如电磁屏蔽材料单一性能优化,年均需开展500+次配方实验,耗时耗力;跨尺度调控难,纳米填料分散与宏观结构设计缺乏理论衔接,依赖经验试错等痛点问题。”
针对上述问题,谢兰教授提出“数据驱动的材料基因解码”理念,带领团队搭建了贵州省首个“高分子功能复合材料多模态基因库”,整合16000组材料数据,涵盖石墨烯、氮化硼纳米片等20多种类填料,涉及热导率、电磁屏蔽效能等8项核心性能指标,开发了基于机器学习的“结构-性能”设计平台,为材料研发装上“智能引擎”。
构建工程应用创新全链条
随着5G通信、集成电路、新能源汽车等战略性新兴产业的迅猛发展,聚合物基功能复合材料作为核心支撑材料,其导热、电磁屏蔽、相变储能等性能面临严苛挑战。
以电磁屏蔽材料为例,5G基站对屏蔽效能的要求已从4G时代的30dB提升至50dB以上,而传统“试错法”研发周期长达2-3年,单次配方调整需耗费数十万元,且难以精准调控纳米填料与聚合物基体的界面相互作用及宏观结构取向。
在此背景下,人工智能与材料科学的深度交叉催生了“材料基因工程”新范式。通过多模态数据融合与深度学习算法,可将材料研发从“经验试错”带入“精准设计”时代。谢兰教授团队敏锐捕捉这一机遇,在贵州省率先开展“人工智能+高分子复合材料”的跨界研究,构建了从基础理论到工程应用的完整创新链条。
谢兰团队开发的Adam-FCNN全连接神经网络模型,彻底改变了电磁屏蔽材料的研发逻辑。通过分析1600个神经元的深度网络,模型能精准预测不同填料配比、微观结构对屏蔽效能的影响,预测精度高达99.4%。特别是该模型将研发周期从2年压缩至2个月,时间成本降低91.6%。她们与上海大学、航天电器合作,开展基于高通量数据分析的结构功能一体化导热高分子复合材料设计与应用,相关技术已申请发明专利近10项。
针对材料研发中“结构-性能”关系难以量化的痛点,谢兰教授团队构建了ResNet-FCNN多模态深度学习模型。该模型通过分析SEM图像中的孔隙率、填料分布等微结构特征,结合填料含量、制备工艺等数值数据,实现了材料性能的精准预测,首次实现了材料微观结构与宏观性能的跨尺度映射。
重塑学科育人新模式
在贵州大学,谢兰教授开创的“人工智能+材料科学”交叉培养模式,正在重塑学科的育人范式。“我们培养的不是传统材料工程师,而是能驾驭数据的‘材料数字工程师’”;我们培养的不是传统的软件工程师,而是能驾驭领域知识的软件工程师。
如今,这种模式已初见成效:2024届毕业生周颖博士利用Adam-FCNN模型,仅用2月便完成了某电磁屏蔽材料优化方案,将屏蔽效能从38.8dB提升至78.6dB;硕士何成雷等同学开发的“功能材料性能预测平台”,可实时可视化材料成分与性能的关联,可用于企业生产线智能调控。
谢兰教授的探索,不仅是材料科学与人工智能的深度融合,更是科研范式与人才培养的双重革命,是高等教育“新工科”实践的生动样本。她用“数据”解构材料基因,用“算法”重构研发流程,用“跨界”激活产业动能,更用“创新”培育未来人才。在贵州这片充满活力的土地上,她正书写着“把论文写在大地上”的新时代科研篇章,为我国从“材料大国”迈向“材料强国”贡献智慧与力量。
