铝基复合材料因其高强度重量比和优异的耐腐蚀性，在航空航天、汽车和国防领域是重要的轻质材料[1]。要实现高性能，需要在高体积分数下均匀分散纳米级增强相，而纳米颗粒的聚集加剧了这一挑战[2],[3]。与离位合成方法相比，原位合成技术可以改善分布和界面结合，从而提高机械性能[4],[5],[6],[7]。然而，设计这类复合材料仍然主要依赖于试错实验，因为对于复杂微观结构来说，定量建立结构-性能关系仍然很困难[8],[9],[10]。
机器学习（ML）通过直接从数据中学习隐含的相关性，为现象学模型提供了一种有前景的替代方案[11],[12],[13]。传统的ML方法（例如SVM、SVR）通常依赖于手动选择的特征，这限制了它们在处理高度非线性问题时的准确性[14],[15],[16],[17],[18]。相比之下，深度学习，特别是卷积神经网络（CNN），能够自动从微观结构图像中提取潜在特征，从而实现从形态到性能的直接映射[19],[20],[21],[22],[23],[24],[25]。例如，CNN已被成功用于预测陶瓷、钛合金和金属基复合材料的性能[26],[27],[28],[29],[30]。
然而，许多CNN架构在计算上非常密集，并且没有针对复合材料微观结构的多尺度、高分辨率特征进行优化。在处理有限的实验数据时，表示能力和参数效率之间的平衡至关重要。因此，我们在本研究中采用了EfficientNet作为核心架构。选择它基于三个关键属性：（1）EfficientNet采用了一种复合缩放机制，系统地平衡了网络深度、宽度和输入分辨率，为捕捉从纳米级分散体到微观晶粒结构的特征提供了原理性的框架[31]。（2）它以远较少的参数实现了先进的准确性，这对于材料科学中常见的数据集规模来说是一个优势[32]。（3）此外，为了使模型能够智能地优先考虑这些多尺度特征中最关键的区域，我们为其添加了一个自注意力（SA）模块。因此，改进后的SA-EfficientNet可以动态地权衡关键局部区域。这种对机械主导特征的关注是纯CNN所缺乏的能力[33]。尽管先前的研究已经验证了EfficientNet在从复合材料图像预测应力-应变曲线和硬度方面的有效性[34],[35],[36]，但其应用于原位铝基复合材料的情况尚未被探索。
为了确保这种应用不仅能提供准确的预测，还能提供可解释的材料见解，我们必须解决深度学习中的一个核心挑战：模型可解释性[19]。像类激活映射（CAM）这样的技术对于揭示预测的物理基础至关重要，从而将模型从一个“黑箱”转变为一个用于机制洞察的工具。例如，可视化方法已经揭示了激活图像区域与离子导电性和疲劳寿命等性能之间的相关性[37],[38]。
在这项工作中，我们制备了一种新型的高强度原位铝基复合材料，其中含有高体积分数的Al-O结构。我们提出了一个结构-性能框架，使用SA-EfficientNet模型直接从微观结构图像预测强度。通过CAM解释预测结果，以识别关键的形态特征，然后将其与增强机制相关联。这种方法为设计高性能原位复合材料提供了一种可解释且数据效率高的方法。
