金属材料（MMs）对现代工程至关重要，是航空航天、汽车、能源和国防工业的结构和功能支柱。它们出色的强度、热稳定性和抗疲劳性确保了先进机械系统的可靠性和长寿命[1]、[2]、[3]。尽管取得了这些成就，MMs的发展仍然严重依赖于经验设计和渐进式优化。成分、加工、微观结构和性能之间的内在相互依赖性高度非线性且多维，使得传统设计方法无法准确预测疲劳寿命、耐腐蚀性或微观结构演变[4]、[5]、[6]、[7]。这种内在复杂性成为加速创新和实现材料系统全面性能优化的重大瓶颈。
尽管计算材料科学和高通量实验在过去几十年中取得了显著进展，但基本挑战依然存在[8]、[9]、[10]、[11]。实验探索仍然成本高昂且耗时，而第一性原理计算和有限元模拟虽然强大，但往往无法跨越实现真实合金设计所需的多个长度和时间尺度。这些限制促使人们转向数据驱动的发现方法，其中机器学习（ML）引入了能够揭示庞大异构材料数据集中隐藏相关性的自适应智能[12]、[13]、[14]、[15]、[16]。
机器学习通过识别复杂模式并实现准确的性能预测、逆向设计和自主优化，将数据转化为科学知识[17]、[18]。其应用范围涵盖多个尺度，从预测固溶强化和晶界迁移到模拟疲劳裂纹扩展和表面退化。通过监督学习、无监督学习和强化学习（RL），机器学习加速了合金开发，优化了工艺参数，并促进了实时微观结构分析。将机器学习与密度泛函理论（DFT）、分子动力学（MD）和高通量实验相结合，建立了一种新的自主材料发现范式，将计算、数据和实验统一为一个自我演化的研究生态系统[19]、[20]、[21]。
在这个快速发展的领域中，关于机器学习材料发现的文献计量学快照为为何进行关键综合提供了定量背景。图1(a)显示自2019年以来出版物数量急剧增加，引用次数增长更快，表明社区采纳速度加快，有影响力的方法日益成熟。该主题在计算机科学、化学、工程、物理和材料科学之间的分布相当均衡，反映了算法进展和冶金问题共同发展的跨学科特性。图1(b)进一步显示了研究足迹的地理集中性，中国和美国的产出最大，其次是印度、日本和几个欧洲国家。这种增长具有重要意义，但也加剧了对该领域的一个反复出现的担忧，即在不同实验室、协议和部署环境中报告的成果是否具有可靠性，这促使了本文的结构和重点。
在Web of Science核心集合中进行了系统的基于关键词的搜索，并使用VOSviewer绘制了结果共现网络，如图2所示。节点大小表示关键词的突出程度，链接厚度反映共现强度，颜色表示簇成员身份，空间邻近性表明概念相关性。该地图以机器学习和机械性能为中心，连接的簇涵盖了合金和相设计、微观结构和变形以及数据驱动的预测。
一个面向制造的簇突出了增材制造（AM）和激光粉末床熔融（LPBF），包括工艺参数、孔隙率和残余应力，与优化和替代建模密切相关[22]、[23]、[24]。另一个簇将基于物理的模拟主题（如密度泛函理论和分子动力学）与基于学习的模型联系起来，强调了机械计算和统计推断之间的活跃接口。总体而言，该结构表明该领域偏向于预测和工艺窗口优化，而在分布变化下的可靠性、不确定性校准和基于机制的可解释性则相对不那么重要。这一差距激发了本文的范围，综合了成分、加工、微观结构和性能方面的进展，并围绕可转移和可靠的机器学习在MMs中的应用进行了阐述。
表1将图2的视觉网络转化为具体的指标。它详细列出了四个主要簇中代表性关键词的出现频率和总链接强度。这些统计数据证实了机器学习、微观结构特征和增材制造方面的研究重点，同时记录了基于物理的模拟的精确统计足迹。
尽管取得了这些快速进展，但仍存在几个重大挑战。首先，数据稀缺性和质量控制继续限制了模型的稳健性，因为金属系统的实验数据集通常有限、不一致且噪声较大[25]、[26]、[27]。其次，模型可解释性和泛化能力仍然难以实现；黑盒算法可能缺乏物理透明度，在超出其训练范围时无法准确预测[28]。第三，多尺度集成尚未充分发展，因为将原子尺度描述符与宏观疲劳行为联系起来需要复杂的层次化建模框架[29]。最后，由于缺乏开放的、可互操作的数据库进行跨实验室验证，标准化和可重复性问题依然存在[30]。解决这些限制需要针对MMs独特复杂性的物理信息驱动、可解释和可扩展的机器学习框架。
本文旨在系统地探讨机器学习在MMs领域的最新应用进展。第2节追溯了MMs材料科学范式的演变，并阐述了数据驱动冶金学的必要性。第3节概述了核心机器学习方法以及在不同金属系统中开发、验证和部署模型的工作流程。第4节调查了从成分和相设计到工艺、微观结构优化、性能预测、基于微观结构的机械学习以及新兴前沿的应用范围。第5节综合了挑战和未来展望，重点关注在现实约束下的可靠性、可转移性和部署。
