告别“经验试错”：物理约束机器学习实现功能复合材料的跨尺度、多目标逆向设计

在瞬时高功率电子器件的热管理中，复合相变材料（CPCM）表现出独特的优势。然而，复合材料的研发长期受制于各项性能之间的冲突，往往依赖大量试错实验。近年来，人工智能（AI）为新材料创制提供了数据驱动的全新视角。然而，现有机器学习方法大多依赖端到端黑盒模型，不仅忽略了底层物理机制，更难以在多个相互冲突的目标约束下实现高效的跨尺度逆向反演。该论文提出了一种物理约束机器学习逆向设计框架PHICS，将“物理因果图谱驱动–跨尺度机理嵌入–多目标帕累托（Pareto）寻优”融于一炉，打通了从微观设计到宏观性能验证的研发闭环。

该研究引入有向无环图（DAG）作为物理因果建模的核心拓扑结构。PHICS框架将“微观组分→介观界面→多相网络→宏观性能”解构为清晰的层级物理因果链条，使得模型既拥有数据驱动的高拟合效率，又严格服从底层物理硬约束，具备出色的外推泛化能力。面对多性能指标间的固有冲突，材料的最优解在数学上构成复杂的非凸帕累托前沿。传统的标量化加权算法极易陷入局部极值，无法捕捉完整边界。PHICS将物理因果代理模型与非支配排序遗传算法（NSGA-II）深度耦合，在多维非凸目标空间内实现了秒级的高通量评估与最优微观结构参数的高精度逆向搜索。

在PHICS的逆向设计指导下，通过在石墨纤维/正二十八烷CPCM中引入超薄非晶氧化铝（am-Al₂O₃）界面过渡层，同时发挥“声子传输桥梁”与“电子绝缘屏障”，使得CPCM在保持高储热密度的前提下，热导率与绝缘性能同步跃升，有效破解了多性能间的固有“跷跷板”效应。

该研究得到了香港特别行政区第三个InnoHK创新香港研发平台（SEAM@InnoHK）所属之“异质集成与制造中心”（The Centre for Heterogeneous Integration and Production，CHIP）的支持。CHIP由香港中文大学陈世祈教授、许建斌教授、赵铌教授共同领导，致力于通过异质集成技术，推动半导体设备及材料加工方面的创新，积极推动新一代高性能电子器件的发展。

---

---