经过大半个世纪的算法模型积累, 以数据科学为基础的机器学习方法, 已经可以适配多项学科的研究需求。在理论与实验积累的数据基础上, 机器学习紧跟各个领域的研究潮流, 推动数据密集型科学研究的发展, 使其成为继“理论”、“计算”、“实验”后引领科学研究的“第四范式”。在材料科学领域, 钙钛矿材料具有构成丰富、带隙可调、发展空间广阔等优势, 但还未在其适用领域内达到环境友好等实用标准。因而基于机器学习探索钙钛矿材料及其应用, 不仅可以加速新型钙钛矿材料的发现, 而且可以探究钙钛矿材料种种优异性能与其物理化学特征之间的关联, 为发展环境友好型高性能钙钛矿器件提供指导。在此总结了机器学习结合钙钛矿材料的研究优势与研究流程, 综述了机器学习在钙钛矿材料性质与器件探索方面的研究进展, 探讨了当下面临的研究困境和挑战, 展望了未来的研究方向和发展趋势。

激光沉积制造过程中, 单道沉积宽度主要受激光熔池宽度的制约, 稳定的熔池是保证成形精度的前提。为了建立工艺参数激光功率、扫描速度以及送粉速率与熔池尺寸之间的经验模型, 采用非匀速段关光控制及卡尔曼滤波技术对采集的熔池测量数据进行去噪处理, 以实现成形过程熔池宽度的精确检测, 为熔池宽度预测精度提供了保证。基于正交试验建立了多元回归模型, 其拟合优度可达94%, 最大误差不超过4.5%。经单一变量试验方法验证, 结果表明熔池宽度与激光功率呈正相关, 与扫描速度呈负相关, 实验结果与回归分析结果具有较好的一致性。

以TA15球形粉末为原料，利用激光沉积制造方法制备了TA15钛合金厚壁件，研究了单重退火和双重退火对TA15钛合金显微组织和室温拉伸性能及各向异性的影响。结果表明，两种退火方式下α相的组织形貌存在明显差异，室温拉伸性能受到β柱状晶晶界影响，呈现出高强度低塑性的特征，沉积方向上的组织变形较大；双重退火对强度及塑性的各向异性具有改善作用；随退火温度的升高，单重退火下的显微硬度变化不明显，而双重退火下的显微硬度略微增大。