材料塑性对于复杂形状制造和结构安全性至关重要，其研究对于深入理解材料性能、优化结构设计和提升材料性能具有重大意义。随着计算机技术的进步，基于晶体塑性的多尺度模拟方法已成为材料科学、机械工程和力学等领域的重要工具。晶体塑性有限元方法，结合位错滑移和孪晶机制，以及材料的晶体结构和取向信息，有效揭示了金属多晶材料的塑性变形机制。然而，当前基于最小能量原理和最大耗散功原理判断滑移系激活状态的方法存在局限性。

近年来，机器学习技术的快速发展为材料塑性模拟提供了新的视角,其强大的非线性映射能力为快速判断滑移系和孪晶系的激活状态提供了可能性。本文采用机器学习算法，成功建立了多晶材料宏观力学行为与微观位错滑移机制之间的联系。我们开发了一种神经网络模型，准确有效地确定了晶体塑性本构模型中的激活的滑移系和孪晶系，并将其应用于三种典型的多晶金属：面心立方（FCC）结构的高导无氧铜、体心立方（BCC）结构的α铁和密排六方（HCP）结构的AZ31B镁合金。在本文中，我们通过简单的神经网络模型，能够在较小的网络参数下准确预测滑移系和孪晶系的激活状态，并计算出相应的应变增量。与传统的晶体塑性程序相比，基于神经网络的晶体塑性方法，在求解奇异线性方程组方面更具有优势，能产生准确而有效的结果的同时，提升了计算效率。