1.一种用于材料系统的设计优化和/或性能预测的方法，包括：
生成所述材料系统在多个尺度上的表示，其中，某一尺度上的所述表示包括在所述尺度上作为所述材料系统的构建块的微观结构体积单元(mve)；
收集根据预先定义的多组材料属性/成分和边界条件由所述材料系统的材料模型计算出的所述mve的响应场数据；
将机器学习应用于所收集的响应场数据，以生成聚类，所述聚类使每个聚类内的标称响应空间中的点之间的距离最小；
计算每个聚类与每个其他聚类的相互作用的相互作用张量；
使用格林函数操纵控制偏微分方程(pde)，以形成广义的李普曼-施温格积分方程；以及
使用所生成的聚类和所计算的相互作用对所述积分方程进行求解，以得出可用于所述材料系统的所述设计优化和/或性能预测的响应预测。
2.根据权利要求1所述的方法，还包括将所得到的响应预测传递到下一更粗尺度以作为所述构建块的总体响应，并且迭代所述过程直到达到最终尺度。
3.根据权利要求1所述的方法，其中，所述构建块是通过材料属性和结构描述符来定义的，所述材料属性和结构描述符是通过建模或实验观察而获得的，并且被编码在结构的域分解中，以用于识别所述构建块中的每个相的位置和属性。
4.根据权利要求3所述的方法，其中，所述结构描述符包括特征长度和几何形状。
5.根据权利要求1所述的方法，其中，选择所述边界条件以满足希尔-曼德尔条件。
6.根据权利要求1所述的方法，其中，所收集的响应场数据包括应变集中张量、变形集中张量、包括pk-i应力张量和/或柯西应力张量的应力张量、塑性应变张量、热梯度等。
7.根据权利要求1所述的方法，其中，所述机器学习包括无监督机器学习和/或有监督机器学习。
8.根据权利要求1所述的方法，其中，所述机器学习是用自组织映射(som)法、k均值聚类法等来执行的。
9.根据权利要求1所述的方法，其中，所述聚类是通过用唯一的id对所述材料系统的所述表示内具有相同响应场的所有材料点进行标记并对具有所述同一的id的材料点进行分组来生成的。
10.根据权利要求9所述的方法，其中，所生成的聚类是所述材料系统的简化表示，所述简化表示减少了表示所述材料系统所需的自由度的数量。
11.根据权利要求10所述的方法，其中，所生成的聚类是所述材料系统的降阶mve。
12.根据权利要求1所述的方法，其中，所计算的相互作用张量是针对所有所述成对聚类的。
13.根据权利要求1所述的方法，其中，所述计算所述相互作用张量是利用快速傅立叶变换(fft)、数值积分或有限元法(fem)来执行的。
14.根据权利要求1所述的方法，其中，所述pde被重新构造为李普曼-施温格(ls)方程。
15.根据权利要求14所述的方法，其中，所述利用所述ls方程求解所述pde是利用任意边界条件和材料属性来执行的。
16.根据权利要求1所述的方法，其中，将所收集的响应场数据、所生成的聚类和/或所计算的相互作用张量保存在一个或多个材料系统数据库中。
17.根据权利要求16所述的方法，其中，利用所述ls方程求解所述pde是通过访问用于所生成的聚类和所计算的相互作用张量的所述一个或多个材料系统数据库来实时地执行的。
18.一种用于材料系统的设计优化和/或性能预测的方法，包括：
进行脱机数据压缩，其中，所述材料系统的构建块的原始微观结构体积单元(mve)被压缩为聚类，并计算每个聚类与每个其他聚类的相互作用的相互作用张量；
使用格林函数操纵控制偏微分方程(pde)，以形成广义的李普曼-施温格积分方程；以及
使用所生成的聚类和所计算的相互作用对所述积分方程进行求解，以得出可用于所述材料系统的所述设计优化和/或性能预测的响应预测。
19.根据权利要求18所述的方法，还包括将所得到的响应预测传递到下一个更粗尺度以作为所述构建块的总体响应，并且迭代所述过程直到达到最终尺度。
20.根据权利要求18所述的方法，其中，所述构建块是通过材料属性和结构描述符来定义的，所述材料属性和结构描述符是通过建模或实验观察而获得的，并且被编码在结构的域分解中，以用于识别所述构建块中每个相的位置和属性。
21.根据权利要求20所述的方法，其中，所述结构描述符包括特征长度和几何形状。
22.根据权利要求18所述的方法，其中，选择所述边界条件以满足希尔-曼德尔条件。
23.根据权利要求18所述的方法，其中，所述执行所述脱机数据压缩包括：
收集根据预先定义的一组材料属性和边界条件由所述材料系统的材料模型计算出的所述mve的响应场数据；
将机器学习应用于所收集的响应场数据，以生成聚类，所述聚类使每个聚类内的标称响应空间中的点之间的距离最小；以及
针对所有成对聚类来计算所述相互作用张量。
24.根据权利要求23所述的方法，其中，所收集的响应场数据包括应变集中张量、变形集中张量、包括pk-i应力张量和/或柯西应力张量的应力张量、塑性应变张量、热梯度等。
25.根据权利要求23所述的方法，其中，所述机器学习包括无监督机器学习和/或有监督机器学习。
26.根据权利要求23所述的方法，其中，所述机器学习是用自组织映射(som)法、k均值聚类法等来执行的。
27.根据权利要求23所述的方法，其中，所述聚类是通过用唯一的id对所述材料系统的所述表示内具有相同响应场的所有材料点进行标记并对具有所述同一的id的材料点进行分组来生成的。
28.根据权利要求27所述的方法，其中，所述聚类是所述材料系统的简化表示，所述简化表示减少了表示所述材料系统所需的自由度的数量。
29.根据权利要求28所述的方法，其中，所述聚类被适配为所述材料系统的降阶mve。
30.根据权利要求23所述的方法，其中，所述计算所述相互作用张量是利用快速傅立叶变换(fft)、数值积分或有限元法(fem)来执行的。
31.根据权利要求23所述的方法，其中，所述pde被重新构造为李普曼-施温格(ls)方程。
32.根据权利要求31所述的方法，其中，所述利用所述ls方程求解所述pde是利用任意边界条件和材料属性来执行的。
33.根据权利要求23所述的方法，其中，所收集的响应场数据、所生成的聚类和/或所计算的相互作用张量被保存在一个或多个材料系统数据库中。
34.根据权利要求33所述的方法，其中，利用所述ls方程求解所述pde是通过联机访问用于所生成的聚类和所计算的相互作用的所述一个或多个材料系统数据库来执行的。
35.一种存储指令的非暂时性有形计算机可读介质，所述指令在由一个或多个处理器执行时使系统执行一种用于材料系统的设计优化和/或性能预测的方法，其中，所述方法是根据权利要求1至34中任一项所述的方法。
36.一种用于材料系统的设计优化和/或性能预测的计算系统，包括：
一个或多个计算设备，其包括一个或多个处理器；以及
存储指令的非暂时性有形计算机可读介质，所述指令在由所述一个或多个处理器执行时使所述一个或多个计算设备执行一种用于材料系统的设计优化和/或性能预测的方法，其中，所述方法是根据权利要求1至34中任一项所述的方法。
37.一种可用于对材料系统进行高效准确多尺度建模的材料系统数据库，包括：
用于多个材料系统的聚类，每个聚类将相应材料系统的微观结构体积单元(mve)的区域内具有相同响应场的所有材料点用唯一的id进行分组；
相互作用张量，每个相互作用张量表示所述相应材料系统的所有成对聚类(具有唯一id的区域)的相互作用；以及
基于所述聚类和所述相互作用张量计算的响应预测。
38.根据权利要求37所述的材料系统数据库，其中，所述聚类是通过将机器学习应用于根据预先定义的一组材料属性和边界条件由所述相应材料系统的材料模型计算出的所述mve的响应场数据来生成的。
39.根据权利要求38所述的材料系统数据库，其中，所述相互作用张量是利用快速傅立叶变换(fft)、数值积分或有限元法(fem)来计算的。
40.根据权利要求39所述的材料系统数据库，其中，所述响应预测是通过使用所述聚类和所计算的相互作用，利用所述ls方程求解控制偏微分方程(pde)来获得的。
41.根据权利要求40所述的材料系统数据库，其中，所述响应预测至少包括刚度、应力响应、损坏开始、疲劳指示参数(fip)和/或热膨胀。
42.根据权利要求37所述的材料系统数据库，其被构造为使得一些所述响应预测被分配为训练集，用于训练将过程/结构直接连接到所述材料系统的响应/属性的不同机器学习，而无需经历聚类和相互作用计算过程；剩余响应预测中的一些或全部被分配为验证集，用于验证所述材料系统的多尺度建模的效率和准确性。
43.根据权利要求37所述的材料系统数据库，其是利用预测的降阶模型来生成的。
44.根据权利要求42所述的材料系统数据库，其中，所述预测的降阶模型包括自洽聚类分析(sca)模型、虚拟聚类分析(vca)模型和/或fem聚类分析(fca)模型。
45.根据权利要求37所述的材料系统数据库，其是能够更新的、能够编辑的、能够访问的和能够搜索的。
46.一种将根据权利要求37至45中任一项所述的材料系统数据库用于材料系统的设计优化和/或性能预测的方法，包括：
利用所述材料系统数据库的数据训练神经网络；以及
在使用经过训练的神经网络执行的载荷过程中，预测所述材料系统的实时响应，其中，所述实时响应用于材料系统的设计优化和/或性能预测。
47.根据权利要求46所述的方法，还包括执行拓扑优化，以设计具有微观结构信息的结构。
48.根据权利要求46所述的方法，其中，所述神经网络包括前馈神经网络(ffnn)和/或卷积神经网络(cnn)。
49.一种存储指令的非暂时性有形计算机可读介质，所述指令在由一个或多个处理器执行时使系统执行一种用于材料系统的设计优化和/或性能预测的方法，其中，所述方法是根据权利要求46至48中任一项所述的方法。