10月29日，在由上海有色网信息科技股份有限公司（SMM），上海有色网金属交易中心有限公司，山东爱思信息科技有限公司主办，荥经县人民政府、山东鑫泽铜业有限公司协办的CCAE 2026 SMM(第十五届)铜业年会——铜基新材料论坛上，中国铝业集团有限公司首席专家娄花芬分享了“高端铜基材料智能研发与应用”这一主题。
一、铜基材料新发展与传统研发瓶颈
新材料产业在推进战略新兴产业和未来产业发展中发挥着基础性、引领性作用，是支撑国民经济发展的基础性产业和赢得国际竞争优势的关键领域。
开发战新产业和未来产业所需的新材料是实现高水平科技自立自强的重要基础。
1.1 铜及铜合金材料研发新态势①--结构功能一体化
极大规模集成电路引线框架、高端连接器、热管理器件等产品对铜及铜合金材料的应用需求朝着结构功能一体化方向发展。
1.1 铜及铜合金材料研发新态势②--材料器件一体化
电子设备高度集成化、机电系统小型化与微型化的发展，以及器件智能化与自适应等需求，促使铜及铜合金的开发和应用朝着材料器件一体化的方向发展。
1.1 铜及铜合金材料研发新态势③--高纯化
电真空器件、集成电路靶材、高保真信号传输、超导体等领域用单晶铜和超纯铜等对铜材纯度（5N~7N）及高纯铜制备提出更高要求。
1.1 铜及铜合金材料研发新态势④--复合化
通过引入增强体/与异种金属层状复合等方法，可在保持铜材高导电导热性的同时，实现耐磨、低膨胀等特性，已成为新型高导/高强铜基功能材料的重要发展方向之一。
1.1 铜及铜合金材料研发新态势⑤--设计、制造数字化
融合先进信息与数字化技术，例如材料基因工程、机器学习、大数据、数字孪生等技术，是铜及铜合金材料的研发和生产的重要发展趋势。
1.1 铜及铜合金材料研发新态势⑥--生产、使用绿色化
顺应我国“双碳3060”目标和环保监管要求，铜合金材料的研发、生产、使用绿色化成为重要发展趋势。
1.2 先进铜合金研发需求与传统研发瓶颈
新兴技术发展对铜材料提出了更高、更复杂的综合性能需求；
材料研发设计存在2个本质问题：正向预测-预测特定成分/工艺对应的性能（正问题）；逆向设计-设计满足性能要求的成分或工艺（反问题）。但传统材料研发主要靠人工经验驱动试错，面临“维度灾难”。
铜合金设计现阶段主要采用正向试错法
二、高性能铜合金材料研发新范式
2.1 材料研发新方法
铜合金新材料的开发方法正从传统“试错法”向高效、精准、智能化方向变革。
2.2 数据驱动新材料开发
材料研发正处于第四/五范式时代，数据与模型是新材料研发的顶级生产力，跨步迈向智能化研发时代。
其对数据驱动开发高性能铜合金合金技术进行了介绍。
在建立铜合金材料专用数据库与高强导电铜合金机器学习模型基础上，基于数据驱动开发了系列引线框架用高强导电铜合金，研发时间缩短至1~2个月。
2.3 先进制造技术驱动材料开发
增材制造技术的发展推动了专用铜合金粉体材料的研发和技术创新，以满足特定的粒径、流动性、熔化特性、层间结合强度等要求。
物理气相沉积与磁控溅射镀膜等技术的蓬勃发展推动铜及铜合金靶材材料的开发和技术升级。
2.4国内外AI+新材料研发现状
其阐述了中国、美国、欧洲AI+材料的现状。
三、高端铜基材料智能研发实践
3.1 先进铜合金研发新范式—基于数据驱动的”AI +材料科学
产品（材料）发展趋势：单一性能极致化，综合性能均衡化；个性化特点更加鲜明。
材料研发新范式：基于数据驱动的”AI +材料科学”正是根据新兴/未来产业多样化需求，按需设计、快速响应。
3.1 高性能合金数据库构建②--铜合金成分-工艺-性能数据库
•合金数据提取智能体：开发设计了铜合金专用智能体助手，提供文献推荐，根据数据模板进行文献专利数据提取，有色金属材料领域知识问答服务。
•铜合金文献/专利数据库已达TB级。
•目前提取的可用铜合金成分-工艺-性能数据已达15w+。
3.2 建模及优化①--机器学习建模痛点
►如何合理的构建机器学习性能预测模型：
Ø突破高维变量与有限数据间的矛盾，建立有效性能预测模型；
Ø基于机器学习模型“黑箱” 模型的特点，明确成分-工艺-性能间的内禀关系。
►如何高效的进行优化设计：
Ø复杂合金的成分-工艺设计的巨大空间中实现高效的优化设计；
Ø打破数据集成分-工艺维数限制，寻找有助于性能提升的元素种类或工艺。
3.2 建模及优化②--机器学习与专家知识结合
•材料领域数据有稀疏性、小样本、纬度高、价值密度高、关系复杂等特点
•已经积累了丰富的专家经验和理论知识；
•如何将专家经验和理论知识充分利用起来，将其与机器学习模型相结合，是充分发挥大数据技术优势的关键。
•专家知识+物理化学性质→打破固有数据集成分限制。
3.2 建模及优化③--三级特征工程降维锁定核心变量
Pearson系数过滤→递归特征消除→穷举特征筛选
3.3 高性能铜合金高效设计
合金设计与应用: 旨在实现正向性能预测和逆向成分设计。
四、基于物理化学的可解释性分析与闭环验证
4.1 机器学习建模可解释性分析
通过三级特征筛选后，按照SHAP值排序来衡量特征的重要性，每个指标对应正负相关性（红色点强烈与对应性质正相关），从而衡量合金设计中，每种元素不同物理化学性质以及工艺参数对于性能的直接影响关系。
4.2 海量候选空间虚拟筛选
结合统计数据及专家经验，限定成分与工艺参数空间，成分参数步长细至0.01wt.%，工艺参数按生产规则设置非线性矩阵，通过排列组合，精准设定百万级候选的参数空间，用于设计探索。
五、未来与展望
研发范式的进一步跃迁
迈向全自动“AI材料科学家”
•从“人机协同”全面迈向“全自动智能体（Agent）驱动”的第5范式，重塑实验室生产力。
•新范式以数据智能为核心，通过人机协同和自主发现实现研究效率的指数级提升。
