高熵合金强度预测不再靠多测:ROSE-HEA用125条数据追平185条训练的传统模型
核心概要
高熵合金的拉伸强度数据获取成本高,随机取样常把预算花在相似成分与工艺上。ROSE-HEA把候选实验按“其可能强度结果能多大程度降低整个成分—工艺参考域上的最坏情况预测风险”排序,并让不同平滑性假设的权重随新数据更新。在501条记录、30次配对运行中,它用125条观测取得152.84 MPa的平均均方根误差,低于同预算的EI-BO与UCB-BO,也低于用185条观测训练的最强传统回归器XGBoost。
深度剖析
高熵合金的极限抗拉强度预测可以在更小的训练预算下完成:ROSE-HEA在125条训练观测下取得152.84 MPa的平均均方根误差,为所比较的序列策略中最低。 此前同类序列实验设计依赖期望改进或置信上界这类逐候选打分规则,它们不显式量化一次观测对整个参考域预测的改善;随机取样则可能反复刻画相似条件。 在501条高熵合金记录上做30次配对运行,各方法共享25条初始观测与同一测试集,ROSE-HEA的平均均方根误差比EI-BO低6.16%、比UCB-BO低6.37%、比随机GP取样低11.89%。
选出的观测本身带有可迁移的信息,而不只服务于ROSE-HEA自己的预测器。 若增益仅来自特定模型,换一个回归器后训练集的优势应当消失。 六类回归器分别用ROSE-HEA选出的训练集与随机训练集拟合,平均均方根误差全部下降,其中MLP从202.88降到174.89 MPa,XGBoost从186.07降到168.67 MPa。
在成分—工艺空间中,ROSE-HEA的取样覆盖更分散,并在初始数据稀疏的远处条件上带来更大预测改善。 随机取样按记录等概率抽取,记录密集的区域更容易被重复选中。 在14维输入空间中,平均最近训练样本距离从0.8255降到0.6658,第95百分位距离从2.9166降到2.3648;按与初始25条观测的距离三分组后,远处组的平均均方根误差下降18.95%,从203.81降到165.19 MPa。
启示与展望
评估是回顾性的,候选池固定,被选条件的强度值直接取自已有数据库而非新制备与测试;结论限于该501条记录、14个成分与工艺输入以及极限抗拉强度这一目标。
作者指出,前瞻性的主动学习实验、向其他合金体系的迁移以及实验室层面的实际节省都尚待验证;当前诊断评估的是整个框架,各组成部分的单独作用留待针对性消融研究。
