材料科学基础：PSPP

这一章是全站所有中长期场景的共同地基。

材料科学的中心信念是一条因果链，行业里叫 PSPP。理解了它，你就理解了材料 AI 到底在优化什么。

PSPP：材料版的端到端管线

两个方向都有用：

• 正向（预测）：给定成分和工艺，预测会得到什么组织与性能
• 逆向（设计）：给定目标性能，反推需要什么成分与工艺

传统研发靠正向试错——想一个配方、做一炉、测一下、不行再改。一轮几周到几个月。逆向设计是 AI for Materials 最有价值的方向。

但要清楚它难在哪：

它是多解的。 达到同样性能可能有多条路径，得用成本、可加工性、焊接性等约束去筛。

中间那层最难。 「组织」是关键隐变量——它比性能更难测量（要制样、要显微镜、要专家评级），但决定了一切。数据最稀疏的恰恰是最关键的那一层。

逆向工艺是在函数空间里搜索。 成分是一组数，工艺是一条路径。后者的搜索空间大一个量级。

铁碳相图：钢铁的地图

要谈组织，先要有一张地图。

几个必须记住的坐标：

• 含碳 < 0.0218% → 工业纯铁
• 0.0218% ～ 2.11% → 钢
• > 2.11% → 铸铁（无法用常规轧制加工，只能铸造）
• 0.77% → 共析点
• 727 °C → 共析温度（A1 线）

五种组织，一句话认全

关键在于铁素体几乎溶不下碳这一条。奥氏体冷却变成铁素体时，原来溶在里面的碳无处可去，必须被排出来——排到哪里、以什么形式排，就决定了最终是珠光体、贝氏体还是马氏体。

CALPHAD：一个可以注册进工具表的求解器

实验测一张二元相图就很费劲，而真实合金动辄十几种元素——不可能靠实验穷举。

CALPHAD 的做法是：用实验数据拟合出各相的吉布斯自由能函数存进数据库，然后通过最小化系统自由能来计算任意成分、任意温度下的平衡相组成。

它能回答：这个成分在 1100 °C 下会析出什么相？析出量多少？固相线温度是多少？

对 Agent 而言，CALPHAD 是一个理想的工具：确定性、可复现、有明确输入输出契约、计算成本可接受。它给 LLM 提供了一个可信的计算后端——你不需要让语言模型去猜热力学。

局限也要清楚：它算平衡态，不管动力学，也不管非平衡组织。

三类特种材料

短流程和普碳钢之外，还有三类值得单独认识——它们是中长期场景的主要对象：

高温合金——在接近熔点的温度下仍保持强度，靠 γ′ 相析出强化。航空发动机涡轮叶片是典型应用。研发特点：成分体系复杂（十种以上元素）、试验周期极长、数据极稀缺且昂贵、失效后果极严重。

非晶合金——冷却极快使原子来不及排成晶体。没有晶界，铁损极低，最大应用是配电变压器铁芯。工艺核心是临界冷却速度，这限制了能做多厚。

粉末冶金——用金属粉末成形烧结。能做出熔铸法做不出的成分，组织均匀无宏观偏析。它也是自驱动实验室最容易切入的方向——粉末配比、成形、烧结这几个环节相对容易自动化，比传统大熔炼更适合做高通量实验。

三大服役失效：为什么寿命预测这么难

材料最终是要用的，而"能用多久"是一个跟强度完全不同的问题。

蠕变——高温下即使应力低于屈服强度，材料也会随时间缓慢变形直至断裂。锅炉、汽轮机、航空发动机的寿命首要因素。

疲劳——反复加载下断裂。绝大多数机械零件的失效都属于疲劳。对缺陷极度敏感——一个内部夹杂就可能是起源点。

腐蚀——与环境反应而劣化。最危险的是应力腐蚀开裂，应力与腐蚀协同作用。