基于机器学习的多性能协同优化氧化物玻璃组合设计方法

针对氧化物玻璃多目标性能优化的挑战，研究人员开发了基于SciGlass数据库的可解释机器学习框架，通过随机森林(RF)、线性回归(LR)和多层感知机(MLP)算法预测具有特定折射率(n≤1.5)、软化温度(Tlittletons 700-790°C)和热膨胀系数(CTE<8.7×10-6 /°C)组合的玻璃成分，从5亿虚拟配方中筛选出516,325个候选方案，实验验证最大偏差<5%，显著加速功能玻璃研发周期。

　　

在光学纤维、显示面板等高科技领域，氧化物玻璃的性能如同精密仪器的"基因密码"，其折射率(n)、软化温度(T_littletons
)和热膨胀系数(CTE)的协同调控直接决定产品成败。然而传统"试错法"面临三重困境：线性加和模型无法捕捉硼反常等非线性效应，分子动力学模拟仅适用于简单体系，而实验验证往往需耗费数年。更棘手的是，当需要同时满足n≤1.5、CTE<8.7×10^-6
/°C和特定软化温度区间时，传统方法如同"盲人摸象"，难以在数十亿种成分组合中找到最优解。

武汉理工大学的研究团队在《Journal of Non-Crystalline Solids》发表的研究中，构建了机器学习驱动的智能设计框架。该研究从SciGlass数据库提取18种氧化物的16,427组数据，创新性地采用SHAP值解析成分贡献度，通过随机森林(RF)算法在5亿虚拟成分中锁定51万优质配方，实验验证4种玻璃性能偏差均<5%，相当于将传统研发周期从"马拉松"压缩至"百米冲刺"。

关键技术包括：1)基于SciGlass数据库构建含n、T_littletons
和CTE的三维数据集；2)采用RF、LR和MLP算法对比建模，其中RF模型R²
达0.94；3)SHAP分析量化SiO₂
对CTE的负向影响(-3.2×10^-6
/°C)等非线性关系；4)定义Na₂
O(0-15mol%)等成分约束空间生成组合库；5)熔融淬火法制备验证样品。

【数据提取与预处理】
通过清洗SciGlass数据库中16,427组有效数据，建立包含18种氧化物的特征矩阵。B₂
O₃
浓度分布呈现双峰特征，暗示硼反常效应的潜在影响。

【数据集分析】
RF模型在测试集表现最优，预测n、T_littletons
和CTE的MAE分别为0.008、14.2°C和0.31×10^-6
/°C。SHAP热图显示Na₂
O每增加1mol%，CTE增加0.58×10^-6
/°C，而Al₂
O₃
则呈现先促进后抑制的"火山型"关系。

【结论】
该研究突破传统玻璃设计的三大局限：首次实现机器学习指导的多性能同步优化，建立可解释的成分-性能图谱，开发出误差<5%的工业级预测工具。其中RF模型对含B₂
O₃
-Na₂
O-Al₂
O₃
复杂体系的预测精度比传统方法提升47%，为光波导等特种玻璃开发提供新范式。

【讨论】
研究揭示网络修饰体与玻璃形成体的非线性耦合机制：当Na₂
O>12mol%时，其与SiO₂
的交互作用使CTE预测值偏离线性趋势达22%。该方法已成功应用于光纤包层玻璃开发，未来可扩展至弹性模量等更多性能维度。