基于集成可解释机器学习的Transformer架构TabPFN模型用于TiNi基、Ti基及高熵形状记忆合金相变温度的评估

《Science China-Materials》：Interpretable machine learning integrated transformer-based TabPFN for evaluating transformation temperatures in TiNi-based, Ti-based and high entropy shape memory alloys

　　

摘要

准确预测马氏体相变温度对于形状记忆合金的设计与优化至关重要。本研究提出了一种可解释的机器学习框架，整合合金成分与工艺参数，以预测TiNi基、Ti基及高熵形状记忆合金中的四个关键相变温度。在多种基准模型的比较中，基于Transformer的TabPFN展现出优异的预测精度与泛化能力，尤其在成分空间维度高且数据稀疏的情况下表现突出。为增强可解释性，采用SHapley加性解释法（SHAP）对输入特征的贡献及其交互作用进行了量化分析，确定了电负性差、剪切模量差、价电子浓度及原子尺寸失配为主要影响因素。在工艺特征方面，最终热处理温度和时间被证实具有最大的影响。基于SHAP的分析洞察，推导出了一种广义符号回归公式，以具有物理意义的表达式捕捉非线性效应与协同效应。该方法将TabPFN的预测能力与符号模型的透明度相结合，兼具精度与可解释性。此外，通过设计三种新型合金进一步验证了TabPFN的优越性能——在所有评估模型中，其预测值与实验M_s测量值吻合度最佳，最大误差最低，低于12%。所提出的框架为复杂合金体系中先进形状记忆合金的加速开发提供了实用指导。