人工智能与塑性：综合综述

本文全面综述了人工智能（AI）与材料塑性之间的交叉领域，重点关注了AI技术在发现、构建材料塑性代理模型和模拟材料塑性行为方面的应用。

文章首先介绍了材料塑性的基本概念，包括其宏观和微观尺度上的表现，以及传统的基于物理的塑性本构模型。随后，文章讨论了AI方法在材料塑性建模中的应用，根据AI范式将方法分为经典机器学习（ML）、深度学习（DL）、物理信息网络（PANNs）和概率方法等类别。

在经典机器学习方法中，文章回顾了多项式和非线性回归、支持向量机（SVM）、决策树和符号回归等方法在塑性本构建模中的应用。SVM被用于构建屈服函数和本构模型的代理，而决策树和符号回归则用于预测塑性流动应力和识别本构参数。

深度学习方法方面，文章讨论了人工神经网络（ANN）、卷积神经网络（CNN）、循环神经网络（RNN）及其变体（如LSTM和GRU）、Transformer和注意力模型、图神经网络（GNN）以及Kolmogorov-Arnold网络（KANs）等。这些方法被广泛应用于微结构表征、材料属性预测和机械响应预测等方面。文章还介绍了多模态融合模型，这些模型能够融合多种数据类型，例如图像和表格数据，以更全面地描述材料行为。

物理信息网络（PANNs）是将物理定律嵌入到AI模型中的方法，以提高模型的可靠性和泛化能力。文章讨论了物理指导神经网络（PGNNs）、物理编码神经网络（PENNs）和神经算子（NOs）等PANNs方法，并回顾了它们在材料塑性建模中的应用。

最后，文章讨论了概率方法在不确定性量化（UQ）中的应用，以及生成式AI方法在预测和数据增强方面的应用。文章认为，AI方法在材料塑性表征方面具有巨大的潜力，但仍存在一些挑战，例如数据稀缺、模型可解释性以及物理原理的整合等。未来研究方向包括开发更先进的DL方法、将物理定律更深入地整合到AI模型中以及利用生成式AI方法自动化材料研究流程等。