基于物理知识且可解释的机器学习框架，用于钛（碳、氮）基陶瓷材料的性能预测与设计

《Materials Advances》：Physics-informed and explainable machine learning framework for performance prediction and design of Ti (C, N)-based cermets

钛基陶瓷智能设计优化研究提出融合物理约束与可解释机器学习的新型预测框架，通过多源数据降维与特征筛选，结合质量守恒等物理规则约束，利用SHAP和LIME工具实现全局关键特征识别与局部可解释性验证，实验证明该框架能显著提升预测精度并支持高效材料优化。

　　

万雄|江一轩|孙英瑞|沈坤|何淼瑾|邓颖|吴翔|陈巧王|张艳华

重庆文理学院材料科学与工程学院，中国重庆402160

摘要

基于Ti（C, N）的陶瓷复合材料兼具陶瓷的硬度和金属的韧性，使其在高性能应用中不可或缺。然而，其复杂的多元成分结构以及漫长的实验周期阻碍了其快速发展。本研究提出了一种基于物理原理的、可解释的机器学习（ML）框架，用于实现准确且可解释的性能预测。数据集来源于文献（1980–2024年）和内部实验结果，通过降维处理提取关键特征并尽量减少数据噪声。为确保物理一致性，通过质量守恒、单调趋势及性能权衡等约束条件融入领域知识。采用可解释人工智能（XAI）工具，如SHapley Additive Explanations（SHAP）和Local Interpretable Model-Agnostic Explanations（LIME），来识别具有全局影响力的特征并验证局部预测结果。实验验证证实了该框架的预测准确性。所提出的方法能够实现高通量、物理一致且可解释的建模，为基于Ti（C, N）的陶瓷复合材料及其他复杂材料的智能设计与优化提供了一种通用策略。