前沿研究丨一种连接材料基因组工程数据库与集成智能制造的新型数据标识编码( 二 ) 本文选自中国工程院院刊《E

我们最近的短评文章讨论了在当前数据驱动的 ICME的框架中，数据库、工具包、平台、原理、基准和标准的主导作用。由于数据驱动的ICME的短期目标已基本完成，长期目标正在进行当中，其中包括培养下一代ICME生力军并建立基于网络的ICME基础架构，以提高其全球工业竞争力和国家安全。据了解，构建材料信息学的相关数字标准对于发展数据挖掘、深度/机器学习和人工智能，验证有价值的数据和加速材料创新、发现和设计都是很有必要的。这还需要加强与工业伙伴的互动与合作。为了解决技术从实验室转化为实际应用时出现的问题，美国国家科学技术研究院（NIST）提出了关于性能和互操作性的标准，以加速创新并将应用新型智能制造技术的风险降至最低。此外，最近提出的中国材料与试验学会（CSTM）标准草案《材料基因组工程数据通则》是对MGE数据内容进行标准化的首次尝试，将对材料科学向数据驱动的科学体制的转变产生深远影响。
本研究提出了一种由一系列构建单元（意义段）组成的通用数据标识符（DID），作为CSTM系统地建立MGE数据标准的一部分，该标识符与国际和国家标准中使用的经典标识符格式保持一致。该DID具有灵活性，便于在各种云平台之间进行扩展和共享。相应地，典型的二维码可以被智能手机或特定机器生成并精确识别和解码。通过将这些二维码作为与云平台相连接的一组数据的指纹，成分-工艺-结构-性能-服役（CPSPP）工作流程中的进展和更新将被自动跟踪，从而为促进先进材料的开发及提高研究产出、成果和合作奠定基础。
二、数字孪生智能制造时代
（一）设计时代的数字孪生制造
数字孪生是物理实体的计算机化伙伴，是ICME时代的新型设计范式，被用于飞机、火车和发动机的设计制造。如图1所示，先进材料的典型发现、设计、创新和制造链包括成分、工艺、微观结构、属性和性能。材料科学中的CPSPP关系或工作流过程在指导材料的发现和制造方面极为重要，并且需要先进的技术，包括高通量计算、增材制造、人工智能、数据挖掘、机器/深度学习等。考虑到自下而上设计和自上而下工程，实验环节和理论环节之间的数字孪生特征以不同的背景色突出显示。 MGI强调实验工具、计算工具和数据库以及它们之间交互作用的主导地位，而HCPS 和MGE则强调HCPS的交互作用，这预示了上述先进技术的未来的应用。
德国工业4.0强调通过信息-物理系统（CPS）来实现智能制造。美国对未来智能制造业提出了两个目标：①展望并促进美国工业的前瞻性和领导力；②有助于生力军的发展。这些目标也被中国的 HCPS和MGE考虑在内。机器学习算法可以通过识别主要数据和有价值的数据关系来加快对材料和基础科学研究的本质理解，从而加强人-物理系统和人-信息系统的解释，并形成科学知识和模型。在完成模型建立并根据材料参数预测性能之后，进一步分析训练模型中的梯度，可以确定主要的和有价值的数据关系，而这些关系无法通过人工检查或传统的统计分析方法建立。在数字孪生智能制造时代（也称“设计时代”），通过将自下而上的理论设计与自上而下的实验路线相结合，利用数字孪生智能制造技术，有望以较低的成本，更高效地设计和发现新的先进材料。这将加速MGI基础设施的发展、加强HCPS中的交互作用，并支持利用最新的先进技术同步构筑未来。
文章插图
图1 ICME时代的数字孪生设计范式示意图，参考美国的MGI、中国的HCPS和MGE以及德国的工业4.0 。 MS：微观结构；HCS：人-信息系统；HPS：人-物理系统；CPS：信息-物理系统
（二）生态系统中的设计
数据和数据基础结构是保证MGI/MGE、ICME和I3M成功取得进展的三个基础之一。所有这些术语都是基于信息学。信息学是一个广义术语，涵盖了数据驱动的设计阶段，如储仓、可视化以及统计学习算法的应用。与MGI/MGE ， ICME和I3M中强调的数字孪生智能制造范式相一致，通过所谓的模拟或数据驱动方法可以方便地解决选择和制造候选目标材料的准则、判据和策略问题。
数据是材料4.0的基本资源，它是工业4.0下I3M的一种形式，如图2所示。材料信息学将是未来工业制造的首要工作站，它包括材料加工和性能的大数据、机器学习算法、多尺度建模、虚拟合成和表征、原型测试和验证以及生命周期评估。例如，数字制造与设计创新研究所（DMDII）作为一个与学术届、行业和政府合作伙伴建立公私合作伙伴关系的机构，承担了通过数字技术提高美国制造业竞争力的责任。 DMDII的目标是将整个生命周期过程中的数据进行数字化并将其集成起来，获得更好的解决方案和决策，并在这个领域成为一个卓越的全球性组织。