基于生成式设计与自适应Kolmogorov-Arnold网络的镁合金力学性能预测模型AAKAN-WGAN研究

针对镁合金力学性能预测中非线性关系复杂、小样本数据导致的模型精度不足问题，本研究提出融合自适应激活Kolmogorov-Arnold网络(AAKAN)与Wasserstein生成对抗网络(WGAN)的混合框架AAKAN-WGAN。通过动态优化激活函数组合和合成数据增强，模型在屈服强度(YS)、极限抗拉强度(UTS)和延展性(DUC)预测中R2提升21.1%-38.8%，为材料智能设计提供新范式。

　　

镁合金因其轻量化、高比强度等特性，在航空航天和生物医疗领域备受青睐。然而，传统试错法开发镁合金成本高昂，而机器学习方法又面临小样本数据和非线性关系复杂的双重挑战。现有研究如SVM和ANN模型常因数据不足导致预测偏差，例如Xu等对AZ31合金的预测值普遍高估。更棘手的是，镁合金性能受成分、热处理等多因素耦合影响，传统模型难以捕捉其复杂关联。

苏州大学研究人员在《Materials Today Communications》发表研究，提出AAKAN-WGAN混合框架。该工作创新性地将Kolmogorov-Arnold网络(KAN)的数学表达优势与生成对抗网络的数据增强能力结合：通过自适应激活机制动态选择ReLU、Sigmoid等函数组合，提升非线性特征提取；利用Wasserstein GAN(WGAN)生成高保真合成数据，解决样本稀缺问题。实验采用Magnesium-alloys-database和Mg-Mn基变形镁合金数据集验证，结果显示模型在三大性能指标上全面超越传统方法。

关键技术包括：1) 基于Kolmogorov-Arnold定理构建网络架构，采用Gumbel-Softmax采样实现激活函数动态选择；2) 引入Wasserstein距离约束的GAN生成合成数据；3) 使用R2和RMSE双指标评估YS、UTS、DUC预测性能。

【自适应激活KAN模块】
通过评分网络对12种激活函数组合进行动态评估，最优组合使网络具备多尺度特征捕捉能力。相比固定激活函数的MLP，AAKAN对Mg-6Zn-1Mn合金的YS预测误差降低2.7%。

【WGAN数据增强】
生成器采用5层全连接结构，判别器引入梯度惩罚机制。合成数据使训练集扩大3倍，UTS预测R2从0.742提升至0.858，尤其改善了对高延展性(>15%)样本的预测稳定性。

【多指标性能验证】
在Mg-Mn基合金测试中，AAKAN-WGAN的DUC预测RMSE降至4.21%，显著优于SVR(6.51%)和RF(5.89%)。消融实验证实，单独使用AAKAN或WGAN时性能提升有限，凸显双模块协同必要性。

该研究突破传统机器学习在材料领域的应用瓶颈：数学上，通过KAN定理实现函数表达的理论保障；工程上，WGAN生成的数据经t-SNE可视化证实与真实分布高度重合。值得注意的是，模型对热处理工艺参数(如固溶温度)与力学性能的关联学习表现出色，这对指导工艺优化具有直接价值。未来可扩展至钛合金等难加工材料的性能预测，为材料基因组计划提供新工具。