AI 自动搜出材料的"脾气公式"：GraphED 把方程当图学，合金钢、金属锂、充油橡胶一起拿下

材料受力怎么变形、何时软化、何时断裂，人类用公式写了一百多年。现在，宁波团队让 AI 直接从实验数据里把这些公式"搜"了出来——不是黑箱，是显式的、人能读懂的方程。材料人怎么用 AI 读懂这篇 Science Advances，图表和引言该怎么写？

一、正文：本构定律，怎么从"拍脑袋"变成"让 AI 自己找"

在固体力学与材料科学里，本构定律（constitutive law）是连接微观机制与宏观响应的"性格方程"——弹簧受力伸长、卸力回弹，胡克定律一句话说完，这就是最简单的本构关系（应力-应变关系）。真实工程材料没这么老实：金属高速撞击会变硬、大变形越拉越硬、温度一高又变软；橡胶能拉长几倍弹回来；锂金属室温下就会缓慢蠕变。把这些效应塞进同一个公式，就是本构模型，固体力学和 CAE 工业软件的基石之一。

过去一百年，主流做法是"专家先拍公式骨架，再用数据拟合参数"。冲击动力学用了几十年的 Johnson–Cook 模型就是这么来的：它很成功，但骨架是定死的——形式选错，数据再多也补不回来。这就是"模型形式误差"，本构研究最硬的一堵墙。

另一条路是神经网络黑盒模型：拟合精度高，但缺乏物理可解释性，工程师拿不出可解释的物理意义，也很难把它嵌进 LS-DYNA、ABAQUS、ANSYS 这类商业 CAE 软件的标准框架。

二、GraphED 的核心：把方程从"树"改成"图"

宁波东方理工大学张东晓（讲席教授）、陈云天（副教授，共同通讯作者）、徐浩（第一作者）团队提出的 GraphED 框架，做了一件很关键的事：把符号回归里的方程，从"树"表示改成"有向无环图（DAG）"表示。

• 图的节点代表运算符与物理变量；
• 有向边定义运算方向与连接关系；
• 边上的特征直接编码物理常数，或可调的材料参数。

这样做的好处是：方程长什么样（图的拓扑，即通用结构）与参数是多少（边上的参数，即材料个性）被塞进了同一张图。算法同时优化两件事——结构跨材料共享，参数按材料实例化。这正是本构建模一直想要的形态，也是传统符号回归（把公式编码成树、用遗传编程演化）很难同时做好的事。

三、三种材料，三条新方程

GraphED 已在三个复杂材料体系的真实实验数据上验证，均超越传统经验模型：

材料体系	GraphED 发现的方程	对比基线
合金钢	描述应变率依赖与应变硬化的显式方程，嵌入完整本构模型后精度超过 Johnson–Cook 模型	Johnson–Cook（几十年工业标配）
金属锂	塑性流动本构方程（对温度与应变率极其敏感），优于常规经验模型	常规经验模型
充油橡胶	紧凑的超弹性本构方程，在不同配比与温度下保持稳定精度	传统超弹性经验模型

论文 2026-09-11 在线发表于《科学进展》（Science Advances，arXiv:2511.09906），第一单位宁波东方理工大学；中国科技网 2026-09-12 报道。

四、为什么值得材料人多看一眼

本构模型是 CAE 工业软件的材料库心脏。汽车碰撞仿真、航发叶片、核电管道、动力电池包的设计全依赖它的精度——精度差一点设计就得多留余量，余量多一点重量就上去、性能就下来。能自动从数据里长出本构方程，等于多了一条自建材料库的路。而可解释不是情怀，是硬需求：符号方程可以被证伪、被改进、能写进规范、能过评审，这正是工程师敢用的前提。

五、这条 AI-for-Materials 思路，MatAI 三个工具怎么接着用

对材料课题组来说，GraphED 是"AI 帮我把公式找出来"的典型代表。日常读文献、写论文、看图表时，同一条"AI 辅助科研"闭环可以这样落地：

1. 看这篇文章的图表：GraphED 的框架架构图、三种材料的本构拟合对比曲线，光靠肉眼扫一遍往往漏掉关键信息。用 PicAxe 图表智能分析 上传图表，让 AI 帮你把曲线趋势、对比基线、误差区间一次讲清，直接变成论文里可引用的图注素材。
2. 写引言不是从零憋：这类"AI 自动发现物理定律"的工作，引言套路其实是固定的——先立"传统方法的天花板"，再抛"图表示的新范式"，最后给"三类材料的验证"。用 Intro Finder 引言生成 输入你的 topic 与 results，AI 直接给出研究故事、创新点声明和引言大纲，省下的时间拿去核对数据。
3. 把整条流程交给工作流：从检索文献、提取关键数据、生成图表描述到组织成文，科研自动化工作流 可以把上面这些步骤串成一条可复用的 pipeline——今天分析 GraphED，明天分析下一篇顶刊，同一个套路反复用。

六、小结

GraphED 代表了一类正在成形的趋势：AI 不只帮你写论文，而是直接参与"发现规律"本身。本构建模只是第一扇门——流体、传热、化学反应动力学，只要有高质量数据加明确物理约束，这套"方程即图"的思路就能搬过去。材料人现在就开始用 AI 工具建立自己的读文献/写论文 pipeline，积累的每一条工作流都是复利。

👉 想马上上手？去 MatAI 的 Intro Finder、PicAxe 和 科研自动化工作流 工具页看看，三条都在线可用。

（内容由 AI 生成，仅供参考。本文数据与事实基于 Science Advances（2026-09-11 在线，arXiv:2511.09906）及中国科技网 2026-09-12 公开报道整理，数值以论文原文为准。）