2026年《国家科学评论》 AI+材料科学国际前沿论坛

21 / 2026-11-04 22:02:56

块体金属玻璃成分-力学性能的端到端可解释GNN预测框架

块体金属玻璃,力学性能,图神经网络,可解释性

准确预测块体金属玻璃 (BMGs) 的性能可为新型 BMGs 的设计提供重要指导。尽管已有多种机器学习 (ML) 模型被用于预测 BMGs 的性能，但通常仍需通过人工特征工程，基于领域知识或经验来选择合适的描述符。本工作提出一种端到端的图神经网络（GNN）框架，实现从合金成分到力学性能的直接预测：设计了以含量最高元素为中心节点、其余元素为邻接节点的合金成分图表示，节点特征为原子百分比与相对原子质量；构建FS-GCN/FS-SAGE与PS-GCN/PS-SAGE两类模型，分别预测断裂强度与塑性应变。针对塑性应变数据的偏态分布，引入迁移学习进行预训练-微调（PS-GCN-Ⅰ/PS-SAGE-Ⅰ）。最优模型在测试集上的R2分别达到0.963与0.801，迁移学习模型使塑性应变的R2分别提升23.8%与6.24%。进一步开发Hybrid Explainer，融合GNNExplainer的节点/边掩码与SHAP特征归因，实现从单样本到全数据集的预测过程解释。本研究结果表明，所提出的 GNN 模型可为BMGs的理性设计提供可解释的数据驱动通用工具。