碳陶瓷电阻（carbon ceramic resistor, CCR）作为非均质多相电介质，其宏观能量耐受水平由微观结构中复杂的电-热-力耦合响应决定。由于组分分布的随机特征主导了宏观物理场，使微观形貌与性能间存在非线性的高维映射关系，传统方法难以建立准确的跨尺度构效模型。研发长期依赖试错循环，破坏性的脉冲测试与高昂的三维表征成本致使关键样本稀缺；且经验参数难以遍历庞大的设计空间，导致结构优化存在瓶颈。此外，纯数据驱动模型在小样本下极易陷入过拟合，且常生成违背物理常识的微结构，无法直接应用于材料设计。针对样本稀缺与物理失真的难题，本研究提出了一种融合数据驱动与物理机理的计算优化方法，旨在通过直接设计和重构导电网络，从根本上解决由微观无序性引发的热点失效问题。首先，提取能谱分析中的碳元素图谱作为初始结构矩阵，结合有限元仿真提取电热耦合特征，明确低性能样品中碳分布不均引发局部电流拥挤的机理。其次，利用引入真实工艺边界约束的生成对抗网络（WGAN-GP）学习微观统计规律，扩充符合物理分散极限的高保真样本库以解决数据匮乏限制。随后，引入基于U-Net架构的物理信息神经网络（PINN）进行微结构逆向优化。该模型在损失函数中深度嵌入电热控制方程、质量守恒及连通性等物理约束，驱动碳颗粒在容许空间内进行智能拓扑重排，生成具有均匀导电网络的计算设计靶图。经仿真对比与实物脉冲测试验证，PINN 优化的均匀化微结构使内部温度分布不均匀性降低了约28%。提取优化图谱的统计学特征指导实际制备后，电阻样品的能量耐受密度提升了45%。本研究为复杂拓扑构效关系的解析提供了共性优化思路，实现了从“间接调控工艺”到“直接设计结构”的路径转变。

碳陶瓷电阻；微结构优化；物理信息神经网络；生成对抗网络；电热耦合