导读：本研究构建了图神经网络(GNN)与人工神经网络(ANN)双模型驱动的合金设计策略，分别用于关键元素筛选与精确成分优化，设计出新型Cu-1Ni-1Cr-0.5Si-0.2Mg-0.2Zn (wt.%)合金，并通过三级冷轧和时效处理的短流程工艺制备。该合金综合性能优异：导电率41.8±0.1% IACS，硬度234.7±1.2 HV，极限抗拉强度715±7.4 MPa，延伸率15.6±0.8%，强度-塑性积达11.15 GPa·%。相较传统Cu-Ni-Si与Cu-Ti合金，该合金在保持竞争力强度-塑性积的同时，加工成本降低21.3%，材料成本降低约1.5%。全文链接：
https://doi.org/10.1016/j.matdes.2026.117075
【背景】
随着大电流连接器与高功率电子封装快速发展，对先进铜合金的电学与力学性能提出了愈发严苛的要求。然而，高性能铜合金的制备长期依赖Ni、Co、Sn等贵重或稀缺元素的添加。以典型Cu-Ni-(Co)-Si合金为例，C70250 (Cu-2.32Ni-0.54Si-0.08Mg)合金经低温轧制与时效处理后导电率为37.0% IACS，极限抗拉强度为744 MPa
；Cu-2.4Ni-2.0Co-1.0Si合金导电率为51.2% IACS，极限抗拉强度为721 MPa。但2026年Ni与Co价格分别高达137,380元/吨与422,500元/吨，显著推高了生产成本。因此，以廉价金属（Cr、Mg、Zn等）替代昂贵金属（Co、Ni、Sn等）并保持综合性能，已成为关键科学挑战。
随着材料信息学发展，机器学习逐渐渗透合金设计领域。但铜合金设计面临维度高、元素多、工艺参数多样等难题，传统“试错法”效率低下；常规“黑箱”机器学习模型虽预测精度高，却难以揭示“成分-工艺-性能”的内在物理机制，也无法量化各合金元素的独立贡献。而新兴大模型虽能处理高维异构数据，但其黑箱特性更甚，且依赖海量数据训练，对数据稀疏的特定合金体系预测精度与泛化能力不足。
针对上述挑战，本研究提出一种新型双模型驱动智能设计策略。其动机在于GNN与ANN模型的差异化能力：首先采用GNN模型对高维异构数据进行深度特征学习，借助异构图注意力机制分析元素交互并量化各元素贡献，作为定性筛选关键合金元素的工具；随后引入ANN模型建立成分、工艺与性能间的高精度定量映射，实现关键元素最优含量的精确确定。这种“定性筛选与定量优化”的分层策略，有效结合了GNN在捕捉复杂元素交互方面的可解释性与
ANN在连续数值预测方面的高拟合精度。此外，通过多级热机械处理的短流程工艺，开发出低成本、高性能的Cu-Ni-Cr-Si合金。
【图文】
本研究围绕“机器学习设计—工艺优化—性能验证—机制解析—成本对标”的主线展开。首先构建GNN-ANN双模型框架完成关键元素筛选与成分精确优化，继而通过多级冷轧与时效处理确定最佳工艺窗口，并结合EBSD、TEM等手段揭示微观组织演化与强化机制，最终与商用Cu-Ti、Cu-Ni-Si合金进行性能与成本全面对标。
图1 机器学习合金设计详细框架。(a) 基于GNN模型筛选关键元素；(b) 基于ANN模型精确控制关键元素含量；(c) 合金制备与实验验证
图2 典型合金中合金元素对导电率与硬度的影响。硬度：(a) 二元合金；(b) 三元合金；(c) 四元合金；(d) 五元合金；(e) 六元合金；(f)
各元素平均影响。导电率：(g) 二元合金；(h) 三元合金；(i) 四元合金；(j) 五元合金；(k) 六元合金；(l) 各元素平均影响。(m) 元素综合影响；(n) (m)中局部区域放大图
图3 基于ANN模型的成分设计与性能预测结果。(a) 损失函数曲线；(b) 硬度报道值与预测值；(c) 导电率报道值与预测值。Cr含量：(d) 硬度；(e) 导电率；(f) 综合性能对比。Mg与Zn含量：(g) 硬度；(h) 导电率；(i) 综合性能对比
图4 Cu-Ni-Cr-Si-Mg-Zn合金经过多级冷轧与时效处理后的硬度与导电率曲线。单级冷轧与时效处理(50%, 500-550 °C / 0-8 h)：(a) 硬度；(b) 导电率。双级冷轧与时效处理
(60%, 400-450 °C /0-8 h)：(c) 硬度；(d) 导电率。三级冷轧与时效处理(50%, 300-350 °C /0-8 h)：(e) 硬度；(f) 导电率
图5 Cu-Ni-Cr-Si-Mg-Zn带材经过三级冷轧与峰值时效处理后的TEM图像。(a) 明场像；(b) HRTEM图像；(c) FFT图像；(d)和(e) HRTEM图像；(f) FFT图像
图6 Cu-Ni-Cr-Si-Mg-Zn带材经过三级冷轧与峰值时效处理与传统Cu-Ti、Cu-Ni-Si合金的性能与成本对比。(a) 三维性能基准；(b) 强度-塑性积与导电率；(c) 成本与导电率
【结论】
本研究以低成本与高性能为首要目标，通过集成图神经网络与人工神经网络模型，设计出新型Cu-Ni-Cr-Si-Mg-Zn合金。Cu-Ni-Cr-Si-Mg-Zn带材经三级冷轧与时效处理后的综合性能最佳，表现出234.7±1.2 HV的硬度，41.8±0.1% IACS
的导电率，715±7.4 MPa的极限抗拉强度与15.6±0.8%的延伸率。实验验证表明预测性能值与实验值接近，误差接近或低于10%，证明模型具有优异的预测能力。与典型Cu-Ti和Cu-Ni-Si合金相比，该合金兼具优异的综合力学性能与极低的材料及加工成本，适用于大电流连接器应用。
本文来自“材料科学与工程”公众号，感谢论文团队支持。
