电化学沉积（电镀）是一种广泛应用于工业生产的技术，通过在材料表面形成镀层来提升其耐腐蚀性、防护性能、耐用性和硬度，以及导电等特性。洛斯阿拉莫斯国家实验室的研究团队开发出一种基于生成扩散的电化学人工智能模型，并利用实验数据对这一新方法进行了验证。

这项研究题为《用于高分辨率预测电化学表面形貌的条件潜在扩散》，已发表在《电化学学会杂志》上。

负责该人工智能研究工作的洛斯阿拉莫斯科学家亚历山大·谢因克表示：“电镀在众多行业的材料开发和生产中处于核心位置，尤其在我们实验室的制造能力中具有关键作用。”

他指出：“我们提出的基于生成扩散的人工智能建模方法，有望显著加快电极沉积技术的发展。通过减少在新材料和新工艺优化过程中对大量物理实验的依赖，可以明显提升研发效率。”

电镀过程本身十分复杂，涉及溶剂、电解质、温度、电流与电压设定等多种耦合参数。工艺优化往往需要大量耗时的反复试验。研究团队利用这些工艺参数及其对应的电子显微镜图像来训练人工智能模型，使其能够预测电极沉积材料的结构、形貌和相关特性。

使用铼样品训练模型识别裂纹

在具体实验中，团队采用了铼电沉积的数据来训练模型，这些数据来自使用脉冲和脉冲反向波形进行的电镀实验。这类技术通过特定的电信号模式实现电镀和表面处理。

这一过程不仅适用于铼电沉积，也可推广到其他电沉积、电抛光或腐蚀工艺中。通过调整不同程度和组合的工艺参数，可以微调材料的晶粒结构和形貌，获得更光滑、更高质量的表面，并增强抗腐蚀能力。

铼是一种重且密度高的过渡金属，熔点仅次于钨，因此在喷气发动机合金等高温环境中具有重要应用。同时，铼在量子计算机互连等新兴领域展现出低温超导特性。

在模型开发过程中，研究人员与实验室的 Sigma 团队合作，在丹·胡克斯和迈克尔·麦克布赖德等专家的指导下，利用 Sigma 的先进冶金能力制备了 57 个铼样品，作为模型训练和测试数据。这些样品通过扫描电子显微镜获得了高分辨率图像。

团队首先训练了一个高精度的变分自编码器（VAE）网络，这是一种通过神经网络对数据进行压缩和重构的人工智能模型。研究人员将图像压缩 64 倍，以获得更高效的潜在表示，即对原始数据的简化表征。

随后，他们训练了一个生成扩散模型，使其学习如何将工艺处理参数映射到相应的潜在表示，再由变分自编码器从这些潜在表示中重构出图像。

针对铼电镀过程中的裂纹形成问题，团队展示了该模型能够定量地再现表面粗糙度和裂纹分布，并在未见过的数据集上保持良好的预测性能。同时，模型还能给出哪些工艺变量对最终结果影响最大的信息。即使在数据量相对较小的情况下，模型仍表现出可靠的外推能力。

研究人员计划在这项原理验证工作的基础上，将该方法推广到更多电化学工艺中。该研究为在材料发现与优化、电化学实验实时指导等场景中应用人工智能模型提供了新的可能性。