材料主动学习设计系统是一款面向材料研发领域的智能化设计平台，主要针对材料实验数据稀缺、传统研发周期长以及成分-工艺多因素协同优化困难等问题，支持材料成分设计、工艺参数优化及成分-工艺一体化设计等多种应用场景，帮助用户高效完成新材料研发与性能优化。

该系统具备完整的主动学习迭代优化功能，可实现模型建立-实验方案推荐-实验验证-数据补充-迭代优化的闭环研发流程。在每轮迭代过程中，系统能够结合当前模型预测结果与不确定性分析，智能筛选最具价值的实验方案，引导研究人员开展实验验证，并利用新增实验数据持续优化模型性能，在尽可能减少实验次数的同时，不断提升模型预测精度与设计可靠性。

该系统适用于小样本条件下合金成分设计、工艺优化、成分工艺一体化优化设计等多个场景，可显著降低研发成本、缩短研发周期，并提高材料研发效率与智能化水平，是面向材料智能设计的重要辅助工具。

系统的核心功能是根据需求创建任务，共有个创建场景：材料成分设计、材料工艺设计和材料成分/工艺一体化设计（当前版本暂未开通此场景，敬请期待）。

点击材料成分设计卡片中的浅蓝色【前往创建】按钮，进入任务创建页面。

在任务创建页面中，存在四个任务步骤，分别为数据选定、变量及搜索空间选定、推荐实验方案与实验迭代。

1.数据选定

首先填写任务名称（若不填任务名称，系统将默认填写“任务1”、“任务2”...），随后确定数据来源，并在其中选择不同的数据集进行导入。

数据来源主要有五类：【平台在线数据】（国家新材料大数据中心数据库）、【软件专题数据】（软件自带数据集）、【用户本地数据】（用户数据角暂存数据）、【用户上传数据】（用户本次使用的上传数据）、【在线融合数据】（用户将自身数据数据与在线数据融合）。

（2）软件专题数据：在左侧数据来源中选择软件专题数据，会展示数据集列表，在列表中选中对应数据集，即可在右侧数据概览区域显示对应数据集内容。选定数据集后可进入下一步操作。

（3）用户本地数据：在左侧数据来源中选择用户本地数据，会展示用户数据角的数据集列表，在列表中选中对应数据集，可以在右侧数据概览区域显示对应数据集内容。选定数据集后可进入下一步操作。

如果数据集页面列表显示“当前数据集为空，请到 “数据角”完善用户本地数据或选择其他数据来源进行操作”字样，则可以直接点击蓝色【数据角】文字跳转至数据角进行数据上传。

（4）用户上传数据：在左侧数据来源中选中用户上传数据，即出现数据上传操作界面。点击“下载成分设计模板”，可将成分设计模板.xlsx文件下载至用户本地电脑。

打开文件后根据模板内容填写相关数据信息后，点击【浏览】按钮，上传选中的模板.xlsx文件。

然后点击底部【上传】按钮，成功后可在数据概览中预览上传后的数据集数据。如上传失败则根据对应的报错提示信息对数据集进行修改后再次上传。

（5）在线数据融合（在建）

2.变量及搜索空间选定

数据集选定后，点击右下角深蓝色【下一步】按钮，即可进入第二步变量及搜索空间选定页面。选择需要参与设计的成分变量、选择并填写需进行优化的基准性能的目标值。以铜合金成分优化为例，此步骤需先选定几个关键成分变量（如 Mg、Ni、Si、Co 的质量分数）以及目标性能指标（如硬度、导电率），然后为每个性能指标设定需优化的基准性能目标值。

随后点击结果确认按钮，进行结果校验。如页面出现错误提示信息，则根据提示信息对输入框进行修改。直至输入内容通过校验后，进行下一步操作。

3.推荐实验方案

变量设定完毕后，点击右下角深蓝色【下一步】按钮，进入推荐实验方案页面，生成满足目标性能需求的成分方案。在推荐实验方案分析过程中可以随时点击下方红色【停止寻找】按钮，终止推荐实验方案生成。推荐实验方案结束后结果包含成分，性能和效能函数信息，点击操作页面左侧“>”按钮可显示箱线图信息，点击右下角【导出】按钮后，用户可以选择成分进行实验，然后点击右下角【关闭】按钮，回到主界面，任务状态显示已暂停。

4.实验迭代

获取系统推荐的实验方案后，用户得到所选择的成分实测性能后，进入步骤四：实验迭代。用户打开列表中的以往任务进入步骤三：推荐实验方案界面。用户可点击右下角深蓝色【下一步】按钮，进入步骤四实验迭代，填入对应成分方案的实测性能后再次点击右下角深蓝色【下一步】按钮得到第一轮计算结果，实测数据和迭代趋势图。

第一轮计算结果结束后可以选择点击右上角深蓝色【导出】按钮，还可以选择点击右下角浅蓝色【进行下一轮推荐】按钮，得到第二轮计算结果后选择成分方案进行实验，得到实测性能后重复第一轮计算步骤。经过几轮迭代后，对比多轮的计算结果，直至得到性能优异的成分组合方案，此时可以点击右上角深蓝色【导出】按钮，导出数据，也可点击关闭，回到系统首页。

Sun J, Fu H, Zhang H, et al. Rapid design of processing parameters for Zero-Sample alloys via multi-acquisition-function Bayesian optimization[J]. Materials Science and Engineering: A, 2025, 944: 148904.