Al-Si合金因其优异的轻质高强、耐腐蚀和高导电功能，大范围的应用于轿车、航空航天等范畴。但是，高强铝硅合金的规划仍面对两大中心难题：一是成分空间极端巨大，合金元素杂乱耦合，强化相多样，导致传统的相图核算与试错试验难以有用完结高效挑选；二是工艺冗杂多样，从简略铸造到杂乱热挤压-热处理，不同工艺对资料功能有显着影响，但杂乱工艺因本钱高、试验难度大，导致数据极度稀缺，阻止了机器学习模型的有用练习。与此同时，低本钱工艺（如铸造）虽能供给丰厚数据，却无法独自支撑对高强韧需求的精确猜测。如安在多工艺数据不平衡的前提下，构建可以协同使用各类工艺数据、并有用完结成分-工艺-功能联合优化的规划结构，成为当时高强铝硅合金开发亟待打破的关键技术瓶颈。

  来自西安交通大学航天航空学院的刘思达教授团队，提出了一种面向高强铝硅合金规划的工艺协同式主动学习结构，经过引进条件Wasserstein自编码器（c-WAE），将工艺途径编码为条件变量，构建了具有工艺协同感知才能的主动学习模型。该办法不只在多工艺空间中完成了高效的成分探究，还展现出优异的功能提高作用（重力铸造+T6热处理：抗拉强度提高至459.8 MPa，迭代仅3轮；重力铸造+热挤压：抗拉强度达220.5 MPa，迭代仅1轮）。

  他们将多个工艺途径的数据整合到一个一致的模型中，完成了多工艺的协同优化，避免了传统办法中独自处理每个工艺的局限性。使用贝叶斯优化对模型超参数的寻觅和迭代，协同后的模型的猜测精度得到了极大的提高，特别是关于数据稀缺工艺功能的猜测。

  该研讨不只打破了传统办法中每种工艺需独自建模、数据孤立的问题，还使用条件Wasserstein主动编码器将不同加工途径的功能信息融入同享潜在空间，显着提高了跨工艺猜测精度和成分挑选功率；经过引进高斯混合模型（GMM）与马尔可夫链蒙特卡洛（MCMC）办法，模型在数据量很少的情况下仍可生成高质量成分组合，十分适合于高温Al-Si合金等试验本钱高、数据获取困难的杂乱系统。

  该研讨不只成功调和了不同工艺（如热处理和热挤压工艺）之间的机械功能差异，还辨认出了适用于多种工艺的高强度合金成分。