基于多输出高斯过程回归的聚离子玻璃性能预测与韧性分析：机器学习算法在材料设计中的应用

这篇研究采用多输出高斯过程回归（mGPR）算法，针对Na2O-AlF3-Al2O3-P2O5-SO3体系聚离子玻璃（NAPFS）的小规模高一致性数据集，实现了折射率（n）与杨氏模量（E）的协同预测，揭示了组分-性能的复杂权衡关系，为材料优化提供了量化路径。

　　

1 引言

聚离子玻璃的化学组成设计需平衡多组分间的复杂关联。传统单任务机器学习模型难以捕捉性能间的协同效应，而多输出高斯过程回归（mGPR）凭借其协方差结构，在小规模高一致性数据集（如实验室定向合成的47个NAPFS玻璃样本）中展现出优势。该研究聚焦折射率（n）与杨氏模量（E）的协同预测——前者关联光学应用（如透镜轻薄化），后者决定机械可靠性。

2 实验方法

数据集构建：基于EDX/WDX化学分析的47个样本，补充光学与声速测试数据。mGPR建模：以Na、Al、P、O、F、S的摩尔分数为输入，n与E为协同输出，采用covSEard协方差函数，经1000次随机训练集优化后R²达0.974。随机游走采样：生成6.04×10⁷组虚拟组分，探索性能边界。特征分析：通过ANOVA重要性评分量化组分影响。

3 结果与讨论

模型性能：mGPR的n与E预测R²分别达0.978和0.997，显著优于单任务模型（sGPR的R²仅≈0.3）。组分-性能图谱：数据云显示1.45关键组分：ANOVA揭示AlF₃主导n调控（氟降低极化率），Al₂O₃驱动E提升（增强交联），而SO₃通过硫氧基团补偿氟的极化损失（图5）。优化路径：雷达图（图6）量化了两种策略——恒定E时增Na₂O降SO₃可降n，恒定n时增AlF₃需同步降SO₃以维持光学性能。

4 结论

mGPR成功破解了聚离子玻璃中组分-性能的非线性关联，其预测揭示：1）AlF₃与SO₃的拮抗效应是性能调控核心；2）约10⁸次采样可定位最优组分窗口；3）雷达图为工艺波动提供韧性评估框架。该方法可扩展至其他复杂玻璃体系的设计与稳定性研究。