可解释机器学习辅助的高强高塑铸造稀土镁合金逆向设计

《Materials & Design》：Interpretable machine learning-assisted inverse design of high-strength and ductile cast magnesium alloys

　　

研究人员提出了一种可解释机器学习（interpretable machine learning, IML）辅助的逆向设计策略，用于开发高强度兼高塑性铸造稀土（rare-earth, RE）镁（Mg）合金。针对铸造Mg-RE-Zn体系中稀土/锌（RE/Zn）比值对长周期堆垛有序（long-period stacking ordered, LPSO）相形成及强塑性平衡的非线性影响，研究人员在特征工程中引入Gd/Zn、Y/Zn、Sm/Zn和RE/Zn等元素比例描述符（elemental-ratio descriptors），构建了包含1367条记录的铸造RE Mg合金数据集，并以拉伸屈服强度（tensile yield strength, TYS）、极限抗拉强度（ultimate tensile strength, UTS）和断裂延伸率（elongation to failure, EL）为输出目标。研究人员对比筛选了K近邻（K-nearest neighbor, KNN）、支持向量回归（support vector regression, SVR）、随机森林（random forest, RF）、人工神经网络（artificial neural network, ANN）、极端梯度提升（extreme gradient boosting, XGBoost）与轻量梯度提升机（light gradient boosting machine, LightGBM）等回归模型，采用决定系数（R2）、均方根误差（root mean square error, RMSE）与平均绝对误差（mean absolute error, MAE）评估性能。在此基础上，研究人员利用SHapley加性解释（SHapley additive exPlanations, SHAP）与偏依赖图（partial dependence plots, PDPs）提取可解释设计规则，并将其与非支配排序遗传算法II（non-dominated sorting genetic algorithm II, NSGA-II）耦合实现多目标逆向优化。研究人员通过候选合金制备、T6热处理、拉伸测试与显微组织表征完成实验验证。该工作表明，元素比例描述符能够揭示铸造RE Mg合金中成分-工艺的非线性耦合效应，可解释机器学习可识别调控强塑性权衡的差异化成分窗口，多目标逆向设计可获得面向高强度或高塑性的实验验证合金，为铸造高性能Mg合金的闭环设计提供了方法学范例。

研究背景方面，铸造镁（Mg）合金因低密度、高比强度、良好铸造性与近净成形能力，在轻量化结构件中具吸引力；但非平衡凝固易诱发枝晶偏析、晶粒粗化与晶界（grain-boundary, GB）第二相不均匀，使强度提升常伴随塑性损失。稀土（RE）元素（Gd、Y、Nd、Sm）可通过固溶与析出强化及调控LPSO相改善性能，但过量合金化或粗大连续GB相会损害塑性，且RE/Zn比显著影响LPSO与Mg-RE-Zn相关相形成，传统试错效率低。现有机器学习（ML）研究多仅用单元素含量与热处理参数作输入，难以刻画比例效应，且常缺乏可解释性，少有融合特征交互、模型解释、多目标优化与实验验证的闭环框架。为此，研究人员在《Materials》发表了该项工作，旨在建立可解释ML辅助的铸造RE Mg合金高强高塑逆向设计方法。

关键技术方法上，研究人员从已发表文献与实验成果收集铸造RE Mg合金化学成分、热处理与室温拉伸性能数据，经去重、单位统一与K近邻填补72条缺失值后构建1367条记录数据集；输入特征涵盖Gd、Y、Zn、Zr、Ag、Sm、总RE含量及固溶温度（S_temp）、固溶时间（S_time）、时效温度（A_temp）、时效时间（A_time），并构造Gd/Zn、Y/Zn、Sm/Zn、RE/Zn交互描述符，输出为TYS、UTS、EL三目标。模型筛选覆盖KNN、SVR、RF、ANN、XGBoost、LightGBM，以R²、RMSE、MAE选优；可解释阶段采用SHAP与PDPs提取规则，再耦合NSGA-II做多目标逆向优化，最后通过合金熔铸、T6热处理、拉伸与显微表征闭环验证。

研究结果部分，按原文小节叙述。引言指出铸造RE Mg合金强塑性协同受多组元成分、热处理与RE/Zn非线性交互控制，常规ML特征表征不足且不可解释。方法节（2. Methods）下2.1合金设计框架阐明四步流程：数据集构建与特征工程、模型筛选与多目标预测、可解释逆向设计、实验验证；其中数据集1367条、缺失72条KNN填补、引入比例描述符、六类回归模型对比、SHAP+PDPs+NSGA-II构成方法核心。研究人员据此得出：元素比例描述符比单元素特征更能捕捉RE-Zn协同对LPSO与强塑性的作用；树集成模型（XGBoost/LightGBM/RF）在TYS、UTS、EL预测上优于KNN/SVR/ANN；SHAP分析识别出Gd/Zn、RE/Zn及固溶时效参数对强塑性存在非线性阈值效应与权衡区间，PDPs进一步定位高分位强度与高塑性各自的成分窗口；NSGA-II在帕累托前沿给出偏强与偏塑两组候选成分，实验制备的候选合金经T6后拉伸与组织表征确认预测趋势，高强度路线TYS/UTS显著提升而EL维持可用，高塑路线EL明显改善且强度不崩塌。

讨论与结论翻译部分，研究人员总结：元素比例描述符揭示了铸造RE Mg合金中成分-加工的非线性效应；可解释ML识别出主导强塑性权衡的差异化成分窗口；多目标逆向设计产出经实验验证、分别面向高强度或高塑性的合金。该框架将特征交互、模型解释、多目标优化与实验验证闭环整合，降低了RE Mg合金设计中试错成本，可为其他多组元铸造合金的可解释逆向设计提供范式参考。