基于自适应约束加权的物理引导神经网络预测高熵合金体弹模量

《Artificial Intelligence Chemistry》:Physics-Guided Neural Network with Adaptive Constraint Weighting for Predicting the Bulk Modulus of High-Entropy Alloys

【字体: 大 中 小 】 时间:2026年03月15日 来源:Artificial Intelligence Chemistry 6.3

编辑推荐:

  高熵合金(HEAs)因其巨大的成分自由度和有限的可靠数据,给性能预测带来了重大挑战。在缺乏可处理的支配方程的情况下,弹性性能通常使用物理驱动的描述符(如弹性边界和经验参数)进行合理化。尽管引入此类约束可以提高鲁棒性,但预测性能仍然对多个约束的加权方式敏感。本文

  
高熵合金(HEAs)因其巨大的成分自由度和有限的可靠数据,给性能预测带来了重大挑战。在缺乏可处理的支配方程的情况下,弹性性能通常使用物理驱动的描述符(如弹性边界和经验参数)进行合理化。尽管引入此类约束可以提高鲁棒性,但预测性能仍然对多个约束的加权方式敏感。本文提出了一种物理引导的神经网络,它集成了四个互补的约束:来自经典弹性理论的Voigt和Reuss弹性边界、用于相稳定性的价电子浓度(VEC),以及反映晶格畸变的原子尺寸失配度(δ)。这些约束作为软正则化项被引入,并通过拉格朗日对偶自适应加权进行自动平衡。该框架在1,117个体弹模量范围从12.5到428.7 GPa的高熵合金样本上进行了评估。四折交叉验证表明,所有约束权重的变异系数均低于7%,收敛稳健。与无约束神经网络(MAE:5.583 GPa,R2:0.8657)和固定权重物理约束模型(MAE:5.240 GPa,R2:0.8526)相比,所提出的框架实现了最佳性能(MAE:4.573 GPa,R2:0.9002),对应的MAE分别降低了18.1%和12.7%。这些结果表明,将物理驱动的约束与自动λ调优相结合,在保持与基本力学边界一致性的同时,提高了外推性能。该方法为在有限数据条件下加速高维合金系统的材料设计提供了一个物理可解释且数据高效的框架。
高熵合金是由多种主元以等原子或近等原子比例组成的材料体系,其设计理念突破了传统合金的范式,展现出传统单主元合金难以实现的性能组合。其中,高熵合金通常表现出比传统合金更高的体弹模量,但由于多元素间复杂的原子间相互作用,准确预测其体弹模量仍面临巨大挑战。传统合金的性能常可通过其主元进行估算,而高熵合金则因协同相互作用表现出非线性的性能涌现。尽管高熵合金在理论上拥有近乎无限的成分空间,但关于其性能的实验和文献数据却非常有限,这阻碍了可靠预测模型的开发。因此,需要新的方法学来高效、准确地预测高熵合金的体弹模量。机器学习方法已被广泛应用于材料性能预测,统计学习模型能够从大数据集中提取复杂的关联模式,揭示传统经验方法可能无法捕捉的微妙成分-性能关系。然而,在多元素合金体系中,每个元素的原子分数都作为独立变量,导致成分组合数量呈指数级增长,不可避免地使训练数据在某些成分区域代表性不足。学习模型通常在插值预测中表现良好,但在对训练数据分布之外的成分进行外推预测时,往往会出现显著的精度损失。在实际材料设计中,对未知成分的准确预测至关重要,但纯粹数据驱动的模型难以提供可靠的外推性能。与常规合金体系不同,单一经验规则通常依赖于具体体系,其有效范围(如阈值和线性关系)在不同合金间变化,因此需要对每个目标体系进行手动调整,限制了普适性。为应对这一局限,材料信息学方法已将材料科学中的经验和物理驱动规则整合到机器学习模型中。物理约束预测模型即使在数据稀疏的成分区域,也能提供与基本物理考量一致的合理预测,在预测弹性性能和热力学稳定性方面优于传统方法。这些成果使物理信息材料信息学成为材料设计的一种有前景的方法学。然而,现有研究大多依赖于单一经验规则或特定物理假设,限制了其在不同合金体系中的适用性。单约束方法对于偏离约束基础假设的材料体系或成分,常表现出预测精度下降。因此,迫切需要能够适应多样化材料体系的综合框架。本研究通过提出一个在训练过程中动态优化权重、整合多重物理约束的物理约束回归框架来应对这些挑战。具体而言,将连续介质力学中的Voigt上界和Reuss下界、与相稳定性相关的价电子浓度(VEC),以及代表原子级结构畸变的原子尺寸失配度参数全部整合到损失函数中。每个约束的贡献通过使用带有可学习乘子的增广拉格朗日公式自动调整,从而避免了手动权重调优,并降低了模型过约束的风险。在最终评估中,采用交叉验证折中自适应学习到的约束权重的中位值,以确保鲁棒性和可重复性。与传统的固定权重方法不同,所提出的方法能够根据训练过程中约束违反的程度自适应地调整约束权重。此外,通过整合不同物理尺度(连续体尺度的弹性边界与原子或电子尺度的经验描述符)的约束,该方法将多样化的物理考量嵌入学习过程,而无需假设存在显式的支配方程。其主要目标不是强制执行精确的物理定律,而是为了增强在不同高熵合金体系的数据稀疏成分区域中的外推鲁棒性和物理一致性。先前大多数机器学习研究仅基于数据驱动回归来关联描述符与力学性能,并未显式强制执行物理约束。尽管最近的研究引入了图神经网络和基于Transformer的模型等深度学习架构来预测高熵合金性能,但这些方法大多仍是纯粹数据驱动的,需要大量数据才能实现可靠的泛化。相比之下,本研究将领域知识作为自适应正则化直接嵌入学习过程,以增强外推性能和物理可解释性。因此,本研究旨在开发一种物理约束回归框架——区别于明确强制执行支配偏微分方程的物理信息神经网络——该框架将数据驱动学习与经验材料规则相结合。本研究提出了一种基于增广拉格朗日对偶公式的物理约束神经网络框架,以自适应地平衡数据保真度与物理合规性。

研究人员为开展此项研究,主要运用了以下关键技术方法:首先,从Zenodo公共存储库的AIMEN公开数据集中获取了1,117个高熵合金样本数据,构建了高质量数据集,并进行了特征工程,包括76种组成元素的原子分数编码,以及引入价电子浓度(VEC)和原子尺寸失配度(δ)两个集成描述符作为特征。其次,设计了一个整合数据拟合项和四个物理约束项(Voigt上界、Reuss下界、VEC加权误差和δ加权误差)的损失函数。第三,通过拉格朗日对偶优化算法动态调整约束权重,该算法将网络参数(原始变量)与约束权重(对偶变量)分离,使用不同的学习率进行交替优化。第四,采用了一个深度神经网络架构作为回归主干,包含输入层(78个单元)、六个隐藏层和输出层(1个单元),使用Swish激活函数和Dropout正则化。最后,通过系统的消融研究和置换重要性分析,定量评估了每个物理约束的个体贡献。

研究结果表明,所提出的物理约束机器学习方法在高熵合金体弹模量预测上取得了显著成效。
**3.1. 通过交叉验证优化约束权重**:利用拉格朗日对偶优化进行约束权重(λ)确定,在训练集上进行四折交叉验证。验证均方误差(MAE)在四折间显示出中等变异(变异系数:5.4%),表明模型在不同数据划分下学习稳定。所有四个约束权重在折间均表现出一致的收敛模式,VEC约束的收敛最为稳定(变异系数仅1.5%)。最终采用各约束权重在折间的中位值作为固定权重用于最终模型训练:λmedian = [0.812, 0.812, 0.774, 0.773],分别对应Voigt、Reuss、VEC和δ约束。
**3.2. 与参考模型的性能对比**:在测试集上,将提出的自适应权重模型与两个参考模型(无约束模型和固定权重模型)进行比较。自适应权重模型取得了最佳性能,测试MAE为4.573 GPa,R2为0.900,显著优于无约束模型(MAE 5.583 GPa;R2 0.866)和固定权重模型(MAE 5.240 GPa;R2 0.853)。这对应着MAE分别降低了18.1%和12.7%。验证MAE也呈现类似趋势,表明性能提升是泛化能力的真实改善。散点图显示,在高压弹模量区域(>150 GPa),自适应权重模型能有效减少极端异常值,表明物理约束起到了稳定作用,且自适应加权进一步优化了效果。
**3.3. 消融研究结果**:通过选择性移除四个物理约束进行系统消融研究,量化了每个约束的个体贡献。性能退化(ΔMAE)的顺序为:δ约束(+1.140 GPa) > Voigt约束(+0.911 GPa) > VEC约束(+0.858 GPa) > Reuss约束(+0.723 GPa)。置换重要性分析揭示了约束移除对特定元素(如Si、Co、V、Zr、Al、Ta、Nb)重要性影响的模式,这些变化与各约束背后的物理原理(如Voigt理论中高模量组分的主导作用、VEC对相稳定性的影响、δ对晶格应变的影响以及Reuss理论中柔韧组分的影响)相一致。结果表明,每个约束都捕捉了不同的物理现象,且通过拉格朗日对偶优化进行自适应平衡对于实现最佳精度至关重要。

讨论部分总结了本研究的成果与意义,并指出了当前模型的局限性与未来方向。所提出的物理约束模型有效预测了高熵合金的体弹模量,与无约束基线模型相比,测试MAE提高了18.1%,R2值更高(0.900)。与固定权重模型相比,自适应权重方法实现了12.7%的MAE降低,证明自适应约束平衡比简单地以任意权重引入物理约束能带来更大的增益。动态约束权重调整机制通过拉格朗日对偶优化实现,在四折交叉验证中表现出稳定的收敛性。消融研究进一步明确了各物理约束的相对重要性。本框架与最近的物理约束方法(如Voigt-Reuss net和增广拉格朗日物理信息神经网络)有概念上的相似性,但采用了更适合高熵合金性能预测问题的设计选择。当前模型的主要局限之一是对物理约束间相互作用的考虑不足。四个约束在损失函数中被视为加和项,尽管它们在真实材料体系中存在复杂的相互依赖关系。另一个技术挑战是模型的计算效率和可扩展性。拉格朗日对偶优化需要一个两阶段的训练过程,增加了总训练周期数。尽管对于当前的四约束设置计算负载尚可管理,但添加额外的物理约束将导致计算需求呈二次增长,并使超参数空间复杂化。尽管存在这些挑战,本研究中成功展示的物理约束机器学习整合为推进材料信息学提供了宝贵的见解。开发考虑相互作用的高阶物理约束模型可以进一步提高预测性能。通过逐步引入约束和自适应学习率调整等技术可以增强可扩展性。所提出的方法还有潜力扩展到体弹模量预测之外的其他力学性能,以及其他材料体系。通过将模型完善为材料设计的实用工具,它可以为高效的实验规划和加速新材料发现做出贡献。本研究代表了建立一种整合物理理解与统计学习、超越传统黑箱机器学习方法的新材料设计范式的重要第一步。高熵合金预测的最新进展利用了基于Transformer的语言模型来捕捉复杂的元素相互作用,并通过迁移学习缓解数据稀缺问题。虽然这些方法已显示出有希望的结果,但它们大多仍然是数据驱动的,没有嵌入显式的物理约束。相比之下,本研究提出了一个物理约束回归框架,整合了已知的物理边界(Voigt/Reuss)与电子和晶格描述符(VEC和δ),从而增强了数据稀疏成分空间中的预测鲁棒性。未来的工作可以探索这些范式的混合,例如将Transformer架构与物理信息损失公式相结合,以实现表达性特征学习和物理可解释性。

**研究结论**:总之,研究人员开发了一个物理约束回归框架,该框架自适应地整合了多个物理约束,用于准确预测高熵合金的体弹模量。该方法在准确性和物理可解释性方面均优于无约束和固定权重模型,证明自适应权重优化提供了超越简单引入物理约束的额外益处。未来的工作将把此框架应用于其他材料性能,并探索与先进神经架构的整合,以进一步提高泛化能力。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号