JMatPro Flow 是面向AI驱动仿真自动化与材料-工艺-结构一体化的核心中间件。它提供标准化的材料热物性数据接口，可被AI智能体和高通量计算平台直接调用，同时自动适配Abaqus、ANSYS、ProCAST、MAGMA等主流CAE平台的输入格式，实现从“材料数据查询”到“仿真任务触发”的全自动闭环。
在现代智能制造场景中，AI智能体需自主完成材料选型、工艺参数优化、结果评估等迭代任务，而这一过程高度依赖可靠、及时、格式正确的材料性能数据。JMatPro Flow正是为此而生：它既充当AI智能体的“材料知识库”，又充当CAE仿真器的“数据翻译官”，让AI无需关心底层材料来源与格式差异，即可高速驱动各类仿真。
· 为AI提供统一、语义化、高吞吐的数据接口；
· 自动适配主流CAE平台，彻底解放人工格式转换；
· 内置JMatPro物理计算引擎，支持实时新材料生成与物理约束验证；
· 赋能Physics AI，使机器学习模型始终在热力学合理的边界内探索。
JMatPro Flow提供专为AI工作流设计的RESTful API，支持同步查询与异步批量计算，天然适配智能体的自动化决策循环。
JMatPro Flow 以标准 HTTP REST 接口对外提供材料性能计算服务，外部软件或平台可通过提交计算任务的方式调用。接入流程以“提交任务、等待计算、获取结果”为主线，既支持计算完成后的回调推送，也支持由调用方主动拉取结果，便于适配不同网络与部署环境。
在功能层面，接口支持固定成分与成分范围两类输入，可用于单材料计算，也可用于批量参数扫描。返回结果围绕材料设计所需的相组织、热物性数据、力学性能数据等进行组织，并保留任务状态、结果有效期、客户端标识与访问控制等机制，使 JMatPro Flow 能作为 AI 智能体与材料计算能力之间的稳定数据通道。
在 AI 工作流中，JMatPro Flow 扮演的是材料设计智能体背后的计算执行层角色。工程师用自然语言提出材料设计、性能预测或工艺优化需求后，AI 智能体负责理解意图、整理参数与展示结论，JMatPro Flow 则负责调用 JMatPro 计算并返回可追溯的材料数据。
这种应用方式把专业计算能力包装进自然交互流程中：用户不需要直接操作复杂模型参数，也不需要手工整理数据文件，即可在多轮对话中完成计算、对比、解释和方案沉淀。随着项目级设计历史与报告输出能力完善，JMatPro Flow 提供的真实计算结果将成为 AI 智能体实现实现物理约束、达成工程可用目标的关键基础。
AI智能体只需指定目标CAE平台（如“abaqus”“ansys”“procast”“magma”），JMatPro Flow自动返回该平台所需的材料卡片或关键字块，并完成单位制转换与数据编排。
CAE平台 | 输出格式 | 适配细节 |
Abaqus | 直接生成*CONDUCTIVITY、*SPECIFIC HEAT、*DENSITY等关键字块 | 温度单位自动转换为℃ |
ANSYS Mechanical | 生成Engineering Data XML，附带插值方式元数据 | 支持直接导入Workbench |
ProCAST | 生成.mat文件，包含焓-温度曲线和固相率曲线 | 自动标注液相线、固相线 |
MAGMA | 生成MAGMA数据库导入格式 | 兼容MAGMAsoft与MAGMA5 |
JMatPro Flow深度融合JMatPro各计算功能，使AI智能体能按需“计算”尚未收录的新材料性能。
核心功能模块Core，包含通用设置及多模块共用设置；
热力学计算模块Solve，包含多元合金稳态及亚稳态相平衡设置及计算，以及考虑或不考虑反向扩散的非平衡Scheil-Gulliver模型设置及计算；
性能计算模块Coldfire，包含物理、热物理性能计算及室温基质力学特性计算；
等温冷却计算模块TTT，包含通用钢等温冷却转变相图计算；
连续冷却计算模块CCT，包含通用钢连续冷却转变相图计算；
凝固计算模块Solidification，包含凝固过程中的相转变及物理、热物理性能设置及计算；
固态冷却计算模块Cooling，包含通用钢固态冷却过程中的相转变、物理、热物理性能及力学性能设置及计算；
力学性能计算模块Mechnical,包含室温及高温下的强度、蠕变特性、流动应力曲线等力学性能设置及计算。
AI智能体可提交“自定义成分+工艺条件”进行高通量计算，例如：“计算Al-5Mg-0.5Si合金在200~500℃下的所有热物性，并生成Abaqus卡片”。JMatPro Flow支持批量化参数扫描，一次性返回数千条数据，供AI进行敏感性分析或代理模型训练。
当前国际主流路线已从单纯依赖文献数据挖掘转向Physics-informed AI（物理约束AI）。纯数据驱动存在巨大风险——实验条件不完整、热处理参数缺失、测试标准不一致等问题会导致AI学到大量“伪规律”。
JMatPro基于CALPHAD热力学、扩散动力学、析出动力学等物理模型，生成的数据具有物理一致性（数据边界统一、条件可控、参数一致、可重复计算），为AI提供了高质量、可解释的训练基础。
JMatPro Flow集成JMatPro各功能，与AI智能体形成典型的“AI+物理模型”协同体系：
· AI负责：搜索规律、建立模型、优化目标、自动推荐成分
· JMatPro负责：验证材料合理性、判断相稳定性、计算组织演化、预测性能、提供高可信训练数据
· JMatPro Flow负责：构建了AI决策与JMatPro之间的关键桥梁，形成全自主材料-工艺-结构一体化研发体系的核心基础设施
JMatPro Flow可高通量生成数万条基于物理模型的自洽材料性能数据。例如，AI可生成10000组候选成分，JMatPro提前筛掉易形成脆性相、固液区间过宽、γ'不稳定等方案，最终实验室只需验证几十组最优候选，大幅缩短研发周期。
在航空发动机、核电、军工等工程级应用领域，数据可信度远比数据规模更重要。JMatPro的物理模型确保AI的预测结果不仅“能算”，而且“能解释”，有效避免因错误数据规律导致的研发失败或服役事故。