耐火合金，特别是Nb和W基体系，由于其卓越的高温强度和热稳定性，是下一代航空航天、核能和超音速应用中的关键结构材料[[1], [2], [3], [4], [5], [6]]。尽管经过数十年的发展，但在强度和延展性之间取得良好的平衡仍然是一个主要挑战[[7], [8], [9]]。这些多组分固溶体通常通过C、N和B等间隙掺杂剂进一步强化，呈现出一个巨大的设计空间，在这个空间中，合金化、加工和微观结构演变是高度相互依赖的[[10], [11], [12], [13]]。它们的机械响应本质上是路径依赖的，受位错积累、相变和损伤局部化等内部状态演变的影响[[14], [15], [16], [17]]。因此，准确的性能预测需要模拟整个变形轨迹，而不仅仅是关注孤立的标量属性。
在各种机械性能描述符中，拉伸应力-应变曲线特别有价值，因为它不仅捕获了屈服强度、抗拉强度和延展性等标量量，还捕获了加工硬化和变形历史的演变过程。在Nb-W基耐火合金中，这些响应源于内在机制（例如固溶体强化、相稳定性）和外在微观结构特征（例如晶粒尺寸、沉淀物形态）的结合，这些特征强烈依赖于热机械历史[[18], [19], [20]]。这些机制高度耦合且路径依赖，传统的标量属性回归方法无法完全捕捉其复杂性，这使得Nb-W合金成为展示生成式应力-应变建模框架优势的理想体系。为了建立一个实用的模型开发基准，我们专注于广泛使用的Nb521合金（Nb–5W–2Mo–1Zr–0.07C，重量百分比）。在完全再结晶条件下，Nb521在室温下的抗拉强度约为500 MPa，在1200 °C时超过300 MPa [21,22]。虽然这些数值展示了良好的热稳定性，但合金的强度-延展性平衡有限，这突显了通过成分调整和工艺控制进行系统优化的必要性。
尽管在本构建模方面取得了数十年的进展，但在不同化学成分和加工条件下捕捉材料的完整机械响应仍然具有挑战性。传统的基于物理的方法——包括经验流动规则[[23], [24], [25], [26]]、晶体塑性理论[[27], [28], [29], [30]]以及多尺度模拟（如分子动力学[[31], [32], [33]]——虽然提供了机制洞察，但通常需要大量的参数校准，依赖于理想化的假设（例如微观结构均匀性或简化的加载路径），并且缺乏跨系统的适用性。作为回应，提出了数据驱动的替代模型，通过从现有数据集中学习来加速性能预测[[34], [35], [36], [37], [38], [39]]。然而，大多数模型都是作为针对有限标量输出（例如屈服强度、杨氏模量）的监督回归任务来制定的，因此无法捕捉全场变形响应的连续性和历史敏感性。此外，这些模型通常对未见过的成分-工艺条件泛化能力较差。最近的一些努力将序列模型（如RNN、LSTM）应用于完整应力-应变曲线的预测。然而，许多模型依赖于从简化本构模型（如Ramberg-Osgood、Johnson-Cook）生成的合成数据集，这些数据集没有反映实验变形行为中观察到的非线性、路径依赖的复杂性[[40], [41], [42], [43]]。因此，这些模型常常遗漏了关键特征——如屈服点现象、瞬态硬化或颈缩后的软化——在性能预测或合金优化方面的实用性有限。
为了克服传统本构模型和主要基于监督的机器学习方法的局限性，我们开发了一个基于Transformer架构的生成建模框架，用于生成Nb-W基耐火合金的全场应力-应变曲线。该模型在实验测量数据上进行训练，学习根据合金成分和加工参数生成连续的、路径依赖的变形轨迹。在这个合金家族中，我们展示了三个代表性的应用：(i) 提高强度-延展性平衡的Nb-W合金的逆向设计；(ii) 可解释地识别元素效应（Ta、Hf、W）对应变硬化和延展性的影响；(iii) 将生成的本构曲线集成到有限元模拟中，用于结构性能评估。这些结果共同建立了一个针对Nb-W合金的机制感知和数据高效的框架。通过利用完整的应力-应变轨迹生成，这种方法捕捉了路径依赖的变形特征，推进了本构建模中机器学习的方法论前沿，同时为设计具有优化强度-延展性协同性的耐火合金提供了实际指导。
