颗粒材料的宏观力学行为受颗粒组分等材料参数, 孔隙率、配位数等状态参数的影响, 同时又具备复杂的加载路径和加载历史相关性, 建立包含多个内变量以及各变量间相互关联的颗粒材料本构模型是一个重要的科学难题. 不同于传统的基于屈服面、流动法则和硬化函数框架下的唯象本构模型, 本文基于颗粒物质力学的研究基础, 以颗粒材料平均孔隙率、细观组构参数和弹性刚度参数作为内变量, 结合深度学习方法建立以有向图表征的数据本构模型. 有向图中以不同的链接网络表示不同的内变量信息流动方向, 各个内变量间的映射关系采用循环神经网络来建立, 将各个神经网络相互组合, 形成包含不同内变量且具有不同预测能力的本构模型. 该本构模型的建立过程等价于在众多可能的内变量链接关系空间中寻找最能描述实际材料宏观应力应变行为的优化问题. 因此, 可将有向图本构模型的建立过程看作“马尔可夫决策过程”, 采用深度强化学习算法构建有向图的内变量链接组合优化过程, 具体采用AlphaGo Zero算法自动寻找最优的颗粒材料数据驱动本构模型建模路径. 研究结果表明, 采用有向图和深度强化学习算法可建立起完全依靠“数据驱动”的颗粒材料应力?应变关系. 此外, 本方法提供了一种将不同理论模型从数据角度统一起来, 且基于人工智能算法发展更优模型的研究思路, 可为相似问题的研究提供借鉴.