3月1日，美国矿物、金属和材料协会（TMS）代表制造业前瞻联盟[1]发布了《利用材料创新支持下一代制造技术》报告[2]。该报告识别了7个能支持下一代制造技术发展的材料创新领域和相关技术，确认了20个有可能成为未来研发突破点的优先研究技术领域。

一、无损评估分析（NDE）和传感器

NDE和传感器可在下一代制造过程中帮助说明材料的质量、可靠性和行为。NDE的“分析”是广义的分析，指材料和加工数据之间模式和关系的计算发现，尤其涉及科学和技术领域，包括统计、机器学习、计算模型和模拟。与此领域相关的潜在颠覆性技术包括发展和部署由传感器支持的增强型分析技术，以提高原位传感技术水平，获得更好的预测模型工具。实时的反馈方法和诊断也有利于调整制备过程，显著降低失败频次，进而减少制造过程中对材料的浪费。

技术突破领域1：新颖的传感技术和实时监测

该领域可致力于研发能评估大体量材料的新颖传感器材料和技术。在具有加工或者制备功能的机器中嵌入或者配置超小的可视化监测系统可能会有一定的用处，但是要保证其性能不会由于环境的侵蚀而降低，以确保其不会干扰制备过程。为了提供更为精确和丰富的数据，需要在应用型制备场景中引入压电传感器和技术的替代技术。将实时的NDE技术结合到智能制造应用中，需要进一步研究制备过程中可以原位监测各种类型材料的缺陷位置的相关技术，同时得到的数据可以用来确认和训练数据驱动的分析模型和计算工具。

技术突破领域2：数据挖掘、压缩、存储和管理

该领域需进一步发展机器学习算法，将其应用于与NDE和传感器相关的材料数据库。另一个潜在技术的是数字主线，因为它提供了一种在产品的整个生命周期内跟踪相关数据（包括材料数据）的方式。

技术突破领域3：NDE及传感器的预测模型工具

需要借助材料模型和过程模型来预测采用其他方式非常困难或者不可能测量出的材料参数和特征。模型应能对实时传感数据做出快速响应。同时应开发虚拟传感器，为了能使其更好的被制造者广泛接受，需要对其算法进行研究。模型的开发和实施应该考虑不同的NDE形态，包括材料的微结构和缺陷，及他们之间的相互作用。结合了有限元模型数据和真实NDE数据的预测模拟可以增加预测模型的鲁棒性，可以帮助制造者更全面的了解材料缺陷数量及其对制造过程的影响。

二、不同材料的结合

多材料设计方法通常用来制备具有新功能和高级性能的产品或者结构，最重要的是将不同材料结合。现在已经有一些结合工艺，但是他们通常不兼容，不足够可靠，不能够在广泛的范围内实现新的多材料创新的低风险结合。为此，必须通过计算模型和高级软件程序来模拟和设计不同材料的结合以促进新方法的研发和成熟。这些模型必须能够解决与材料性质不匹配及多层面加工方法相关的系列挑战。此领域的创新可以解决不同材料结合过程中影响性能、实用性及可修复性的关键问题，包括接触腐蚀，热膨胀过程中材料的不兼容等。针对不同结合过程研发新的候选材料可以促进新的多材料设计方法的发展。固态结合技术和增材制造方法也是制备多材料组件的理想方法。

技术突破领域1：多材料设计、模型及快速表征工具

需要新颖的材料结合模拟工具来预测复杂界面的相互作用，以减少高昂的实验测试费用。需要模型化的材料性质包括界面、力学、腐蚀性及热力学性质，及其他在结合过程中及结合后需考虑的与兼容性相关的其他性质。为了增加多材料组件的接受程度及降低产品的寿命限制，材料制造团体应该调研与多种材料类型和不同几何形状组件结合相关的设计方法，以确保低成本的解决材料兼容性问题。借鉴半导体产业中与界面相关的创新经验，可以促进不同材料结合的研发。应该将设计方法学和预测计算模拟与用户友好的软件工具结合使用。

快速表征工具和自适应的过程控制有助于提高结合的整体性，实现理想材料和不同加工过程的更快速扫描，降低加工成本，验证模型工具等。这需要建立相关的标准（包括测试方法、工具及仪器），以实现界面特点及键合性能（如强度）的快速表征等。

技术突破领域2：用于多材料联合应用的新候选过程和材料

近些年，一些不同材料结合领域出现了一些进展，如电弧焊接、混合结合方法和固态结合方法。用于结合的新方法、新材料和新工具可以在多材料应用领域发挥作用。该领域有前景的方向是研发具有高粘度、导电性、大的温度范围及具有高热循环耐受性的低成本粘合剂。加工过程中表现出良好相变性能的材料应该成为多材料结合的候选材料。通过不同材料的创新结合制备的组件也可以应用到产品的再循环和临终拆卸中。

技术突破领域3：固态和沉积结合过程

在较低温度操作或者依赖于替代能源的可扩展固态焊接技术可以在制备过程中显著降低能源消耗需求，增加扩展能力，如搅拌摩擦、热摩擦、超声、冲击焊接等。新颖的金属与陶瓷/陶瓷基复合物固态制造工艺可以提升相关应用的生产效率并改善产品的可修补性。表面合金技术与结合过程的协同使用可以改善化学键的分布方式。研究混合增材制造方法（结合了增材制造和减材加工技术）可以得到更为便宜的组件，复合材料的设计可采用最新的层压板制造技术。

三、加速材料发现和设计的机器学习

数据的合理优化利用有可能催生材料创新领域的系列突破性进展。最近在实验表征、测试方法、计算模型及数据存储能力方面获得的进展可以实现材料数据的高精准度产生和存储，其速度超过了数据的分析速度。为此，材料团体要探索类似机器学习的算法来提高和优化预测分析及决策制定，其优势是：可以通过扩展材料组件设计空间的方式，支持所有企业制造部门对材料的选择和优化，同时可以促进材料发展，节省产品设计时间，使材料创新成果更快的融入突破性制造技术中；促进了闭环实验，优化了材料发现和制造过程，帮助材料制造团体解决了预测模型中物理范畴内主要的不确定性问题。

技术突破领域1：机器可读的数据格式和架构

专有或者独特的数据格式和架构不允许数据共享及自动分析，也禁止数据管理平台与表征工具和仪器之间的数据互用。材料团体应该支持现有的或者创造一些新的、数量有限且开放的机器可读数据格式，以促进机器学习算法的广泛使用，进而促进材料的发现和设计，及提升新材料的制备工艺。同时，建立一些可以构建新数据库或将现有数据转换成机器可读格式的相关项目。

技术突破领域2：快速的数据产生

为更好的利用机器学习工具的各种优势，需要采用新的实验方法产生大量低成本标准化数据。研究人员曾表示即使是失败的实验，机器学习方法也可以给出一些有用的见解。有必要在数据产生阶段研发可以促进合金及制造过程发展的快速数据扫描技术；在材料研发和制造阶段研发可以快速产生数据及进行机器学习的专有传感器，以增加数据驱动分析工具的使用机会。

技术突破领域3：计算机筛选和机器学习方法

在材料筛选和发现过程中有必要使用能对传感器发出的反馈信息进行持续评估的软件工具，有必要建立一种对材料和制备数据背后的一些物理、材料科学、冶金学及加工原理有一定知识储备的机器学习算法。同时研究能够兼容不同长度单位数据的方法，尤其是研究能集成不同制造阶段数据的方法。机器学习有利于高纬度材料和加工设计空间的快速寻找，以确认可行的材料，结构及加工条件。对于很难或者不可能得到数据的计算模拟可以与机器学习相结合来使用。

四、新材料和过程的认证

在对产品、材料和加工过程进行制备和部署之前，一般都要进行严格的质量测试，以确认产品的质量和使用寿命。质量测试还包含统计学上的设计容许值的产生，以确保最终测量得到的性能参数满足最初的设计要求。材料认证是需要重要资源的产品发展过程中重要且必须的一个阶段，尤其对于需要由新兴制造方法制备的新颖材料体系更是如此。现有的认证模式涉及对部分样品的破坏性测试，测试对象通常是通过确定的加工路线合成的且已经被广泛研究的材料体系。然而该方法并不适用于新材料的快速部署，也不适合经由增材制造制备的小部件的认证。所以，采用数字方法有助于对依赖于材料和组件行为的模型和模拟的认证。制备过程的原位监测可以帮助确认该组件是可用的，不需要再进行破坏性测试。

技术突破领域1：用于材料认证的最佳经验的框架

为了降低材料认证步骤的成本、复杂性及认证时间，利益相关者应该一起建立一个企业范围内的框架促进大家了解与认证相关的主要资源（包括材料数据库）的获得性及最好经验。现在应该致力于采取统一的数据格式支持快速的材料认证。

技术突破领域2：用于材料测试的计算模型认证方法

以计算方式模拟材料性能的模型认证方法可以显著降低必需的物理测试水平，由此缩短认证材料和过程所需的时间。这些模型有必要经过严格的认证和验证以确保可信的、高保真的精准数据。计算模型要能够通过有代表性的体积单元展示出大体积物质详细的微结构进而产生可信的评估结果。

技术突破领域3：传感器和数据驱动的分析使快速认证成为可能

传感器件的实时反馈应该与材料和过程模型相结合，以理解其对产品最终性能的影响，尤其是大批量生产时，这样可以缩短材料生产、过程优化及认证所需的时间，同时可以降低成本。有必要研发新颖、可靠的智能材料监测过程和器件，对即将出现的故障进行原位定点探测。可以利用机器学习自动评估材料的微结构并将其与性质相联系，以显著提高材料认证的效率，准确性及适应性。

五、下一代导电材料

轻质的高性能导电材料有助于提高制造业的能源效率、生产能力及竞争力。通过提供高效便宜的铜替换材料，电网的基础设施部件有可能增加或者被替换，也可以将其作为使能技术用于可再生能源平台，还可以使军事及交通领域（尤其是航空）的应用轻量化，燃料效率提高及降低排放。下一代导电材料还可以促进小规模的生物医疗和生物兼容产品性能的提高，如脑移植、起搏器、植入式电极等。该领域的技术突破不仅可以影响美国的制造业，还将对美国社会（国家安全）产生重要影响。该领域的研究应该致力于大范围的材料筛选，包括先进的超导体、铜基体纳米碳复合材料、介电材料及涂层材料。

技术突破领域1：超导材料和新颖的纳米材料

高温低损耗高强度，且具有较宽操作范围的超导体是非常有前景且值得持续关注的技术领域。铜基体纳米碳复合材料是一种高电导、高抗腐蚀性和高机械强度的新颖新材料。在能源收集领域有潜在应用的导电碳基纳米线可用于规模化的制造技术。制造方法的发展，线型及其他结构超导材料（包括基于铝、铜、镁/碳、碳纳米管、铜基体纳米碳复合材料、石墨烯等的材料）的性能提升都需要界面和弥散物理学方面的基础知识。

技术突破领域2：涂层及介电绝缘体

涂层和绝缘体是重要的支持性技术，需要材料领域的创新以帮助其在下一代导电材料中有所应用。相关研究和发展应致力于优化高级介电绝缘体，使之可与低损耗导电材料一起使用。结合了强度和导电性能的新颖涂层非金属材料为高级导电材料的制备和发展提供了希望。

技术突破领域3：用于能源存储和收集的导电材料

下一代导体将使小的高电压、能源密集且轻质、满足各种消费需求的转换器件成为可能。未来的器件可能会是采用增材制造技术制备的复杂的、高温高效的热交换器。用于收集流失热量的材料和结构设计方法可用于下一代导体支持的基础设施中。

六、智能制造和数字主线技术材料

材料创新对于智能制造非常重要。智能制造包括集成企业自动化软件、硬件工具、云服务、3D计算模型、传感器、移动计算、智能等功能，结合平台的使用，使制造企业能够实现前瞻性管理。在智能制造过程中采用数字主线技术对材料和加工过程进行追踪可以控制操作过程，可以帮助制造者监测材料，生产能力和产品质量，不间断的检验材料缺陷和损伤，管理如能源消耗等各种材料处理、加工及制备参数。

技术突破领域1：可以测量详细的材料加工数据的传感器

特别需要对现有传感器设备和平台进行基础性研究，以确定他们在获取关键材料性质参数及材料缺陷方面的能力。由于受到来自制造环境方面的挑战，需要采用弹性非接触传感器实现对制备过程的间接测量。同时需要创新的材料技术支持低成本、鲁棒且耐用的传感器的发展并展示其可行性，以提升许多老牌金属企业对传感器的接受程度，实现新的突破。

技术突破领域2：材料数据管理、分析和智能决策

最先进的制造环境需要配备数据驱动的分析和数据管理工具，使其可以翻译大量传感器发送的数据及其他数据，并且能够根据提供的信息，对随后的材料加工和制造做出智能决策。采用向下选择的方法确认重要的材料参数，将会减少对材料数据收集和后续分析的需求。采用数据挖掘技术对机器信号进行分析，可以直接的得到和分析关键材料性质和表征数据，实现对制备组件的快速原位表征，并在表征数据和相关制备过程之间建立联系。材料制备团体应该支持通用的材料数据格式，以实现材料数据之间的有效交换。同时需要高级数据压缩工具来支持快速的材料数据处理、加工、分析。

用于监测和量化材料数据中的模型或者加工参数的人工智能跟踪算法和机器景象分析可以与决策理论相结合，为快速决策和策略调整创造新的可能性，以降低材料和过程的可变性，提高产品质量。自动化的前摄控制也有望监测制备组件的质量。

技术突破领域3：计算的材料模型工具

用于材料建模和工作流管理的产品寿命计算模型是智能制造实践中不可缺少的部分。材料团体应该研发新的界面友好、傻瓜式、与智能制造基础设施兼容的集成计算材料工程（ICME）高级工具。这些工具应该使用可信的，可追踪的材料模型和产品发展链以追踪跨越不同材料体系和过程的参数，这样可以确保本地组件材料的微结构满足最初的设计要求。

七、智能材料

智能材料和技术是支持下一代制造技术非常有希望的领域。智能材料可以满足重要的制造需求，如预防性维修、故障检测、信号传输及材料减重等。智能材料代表了从被动材料到主动材料的重要转变，这一转变对许多产业部门都有影响。智能材料可以支持能够快速反馈的嵌入式传感技术，进而缩短制造和进入市场的时间周期。与材料数据分析相结合，该领域的创新有助于提高机器人设施的触感，增加安全性，减少制造过程的停工期，状态检修和部件替换，及降低产品成本，以此提升美国制造业的竞争力。由于能够适应不同的操作过程，下一代智能材料系统还可以降低制备过程中的能源消耗。材料团体应该对不同制造平台内几个特定应用领域（如传感器和制动器）的新智能材料和加工过程进行投资，利用材料模型和模拟支持新智能材料的发现和发展。

技术突破领域1：新颖的智能材料和制造方法

90年代起，智能材料的研发开始有长足进步，但还要做很多工作才能使其更为广泛地应用于下一代制造，如自适应材料和结构可以促进基于生物模拟材料、自清洁材料、自愈材料及生物兼容材料的下一代制造组件的发展。最有前景的智能材料有高性能陶瓷、碳基材料、无铅压电材料、热电能源收集材料。应该探索能组装具有不同层级架构的智能材料的增材制造技术，可能包括由化学反应过程增强的增材制造技术。研究者还要研究其他创新材料制备方法，实现将基于智能材料的传感器及制动器嵌入到结构材料和组件内部的同时结构的完整性不会受到影响。

技术突破领域2：建模和数据分析

智能材料另一个有潜力的研究领域是研发预测性计算模型工具，该工具可以用于快速扫描和发现能应用于各种制造领域的智能材料候选材料。同样，模型和数据分析可以帮助确定在结构或者功能材料的制备过程中智能材料传感器的最佳位置。但首先需要加深对候选材料性能的基础性理解。                                         （张超星）