多层薄膜

采用集成物理信息神经网络、深度主动学习与深度强化学习的优化框架设计，该多层薄膜在工程应用中具有优异的抗热震性能。

Jinglai, Zheng · Jie, Huang · Lin, Andi · Fan, Li · 黄海明

Engineering Applications of Artificial Intelligence 2026

参数信息

数据生成加速率

38.37 %

相对误差

0.68 %

样本效率提升

43.97 %

效率提升（对比粒子群优化）

66.34 %

效率提升（对比遗传算法）

66.95 %

总体优化加速时间

70.75 h

技术优势

数据生成快38%

物理信息神经网络作为高保真求解器，通过迁移学习加速数据生成，相对误差仍低于0.68%。

样本效率提升44%

深度主动学习量化样本不确定性，用少量样本训练高精度代理模型，相比其他模型效率至少提升43.97%。

探索效率提升66%

深度强化学习在代理模型环境中快速探索优化策略，相比粒子群优化和遗传算法效率分别提升66.34%和66.95%。

应用场景

• 热防护涂层：加速设计高热冲击抗力的涂层体系，缩短研发周期。
• 抗热震薄膜：直接优化薄膜的抗热震性能，减少试错实验次数。
• 薄膜传感器：通过高效优化薄膜结构提升传感器在热冲击下的可靠性。
• 多层陶瓷：为多层陶瓷体系提供快速设计空间探索，兼顾性能与效率。