收益：
- 能够利用人工智能准确构建机器学习问题，根据成分和工艺参数预测机械性能
- 能够通过识别数据质量、过度拟合和外推的风险来批判性地解读模型的输出
- 能够通过物理合理性、置信区间和验证实验来测试预测模型结果
冶金最基本的规律概括为“工艺决定结构，结构决定性能”。钢的屈服强度不仅取决于成分，还取决于成分。它由加工方式（锻造、轧制、热处理）和所得的微观结构（晶粒尺寸、相比、析出物）产生。人工智能，尤其是机器学习（ML：从数据模式中学习和预测的方法），在从数千个数据点中提取这些成分-过程-性能关系并预测新合金的性能方面非常强大。但这种能力完全取决于数据质量和模型可靠性的了解。在本单元中，您将学习如何构建基于 ML 的特征预测以及如何批判性地阅读其输出。
正确设置机器学习问题
在将特征预测问题转入 ML 之前，请明确三件事：
- 输入（属性）：预测中使用的变量。例如，成分百分比（C、Mn、Cr、Ni...）、热处理温度和时间、晶粒尺寸。
- 输出（目标）：要预测的特征。例如屈服强度、伸长率、硬度。
- 数据：输入输出对的表。每一行都是一个样本，每一列都是一个属性或目标。
该模型从这些数据中学习一个“函数”：它接受输入并预测输出。线性回归（简单加权和）、随机森林或梯度提升等方法很常见。人工智能有助于建议哪种方法合适、编写代码和解释结果；但你检查模型是否有效。
数据质量：模型的天花板
机器学习模型不可能比它所训练的数据更好。 “垃圾进，垃圾出”的原则在冶金中非常强烈，因为测试数据昂贵且稀缺。小心这些陷阱：
- 数据少：无法用 30 个样本构建复杂模型；模型会记住数据。
- 数据不平衡：如果大部分数据是低碳钢，则高碳合金的预测效果会很差。
- 测量噪声：同一样品的硬度可能因不同的操作人员而不同；这种噪声反映在模型中。
- 缺少变量：如果您没有测量晶粒尺寸，则尝试仅通过成分来预测强度的模型将错过一个重要原因。
注意：模型在训练数据中取得了很高的成功，并不意味着它在新样本中也会取得成功。这可能是过度拟合：模型记住了训练数据中的噪声，而不是真实的关系。真正的成功是根据模型以前从未见过的“测试数据”来衡量的。
外推法：最危险的极限
ML 模型在训练数据（插值）覆盖的范围内合理工作。当超出此范围（外推法）时，预测变得不可靠，并且模型通常不会显示这一点；继续产生一个有信心的数字。例如，用碳含量在 0.2-0.6% 范围内的钢训练的模型可能会将碳含量为 1.2% 的合金显示为“安全”值，但该值完全没有根据。对于每个预测，“这个样本是否在训练数据分布内？”有必要提出这个问题。
一步一步：使用 AI 构建预测流程
- 定义目标和输入：您将根据哪些变量预测什么？
- 准备数据：清理、修复单位、标记缺失值。 （AI：编写 Python 代码。）
- 拆分数据：将训练集和测试集分开，以便您可以准确衡量成功。
- 选择和训练模型：从简单（线性）开始，必要时转向基于树。
- 评估：查看测试集上的错误指标（例如 RMSE、R²）。
- 评论：哪个变量的效果如何？这在物理上有意义吗？
- 验证：通过实际实验检验关键预测；检查外推法。
概念
含义
为什么它在冶金中很重要？
过拟合
模型记忆噪音
测试数据很少，很容易
插值法
训练范围内的预测
相对安全的地区
外推法
训练范围外的预测
不可靠；需要实验
R²
模型解释的方差比例
贴合质量指标
特征重要性
输入影响的大小
物理合理性检查
三个迷你箱子
案例 1——记忆模型。一个团队建立了一个复杂的模型，用 45 个钢样品预测屈服强度；训练数据结果为 R² = 0.99，他们很高兴。然而，在测试数据中，它下降到 R² = 0.42。模型过度拟合。当他们切换到更简单的模型并增加数据时，测试成功率增加到 0.80。教训：教育上的成功具有误导性；该决定是根据测试数据做出的。
案例 2 — 外推陷阱。工程师将在低合金钢上训练的模型应用于高铬不锈钢成分。模型上写着“大约620 MPa”。实际拉伸测试结果为410 MPa。该组成完全超出了教育分布。教训：在预测之前，必须检查输入是否在训练范围内。
案例3——正确使用。研发团队利用一系列合金中的数千条记录来模拟回火温度对硬度的影响。该模型再现了已知的物理趋势（硬度随着回火温度的升高而降低），并缩小了实现目标硬度的成分范围。该团队使用该模型来减少实验数量：通过 8 次实验（而不是 40 次）达到目标，并通过测量来验证每个步骤。教训：机器学习通过良好的数据和物理合理性检查智能地缩小实验计划范围。
可复制的提示模板
ML 问题设置模板“角色：您是材料数据科学助理。目标：[要预测的特征]。输入：[属性]。我有 [n] 个样本。对于此问题：(1) 建议适当的简单和高级模型选项，(2) 解释训练/测试分割和评估指标，(3) 根据此数据解释过度拟合和外推的风险。不要承诺一定成功；清楚地写出限制。”
数据质量审核模板“检查以下数据表的质量：[粘贴列和样本行]。标记：缺失值、离群值、单位不一致、分布不平衡。对于每个问题，建议如何处理它。列出建模前我应该做的检查。”
外推控制模板“我的训练产量中每个输入的最小-最大范围是：[写入范围]。我想要预测的新样本是：[写入值]。这个样本是在每个属性的训练范围之内还是之外？如果在之外，请解释哪些变量以及为什么预测不可靠。建议通过实验进行验证。”
物理合理性模板“模型的特征重要性顺序是[排序]。这个顺序与已知的冶金关系（例如 Hall-Petch、沉淀硬化、碳效应）一致吗？如果存在物理上意想不到的效果，请对其进行标记并解释可能的数据/模型问题。”
弱提示/强提示
弱提示：“根据该成分预测屈服强度。”
强烈提示：“角色：你是材料数据科学助理。我有 800 行低合金钢数据（C、Mn、Cr、Ni、回火温度 -> 屈服强度）。新样本：C=0.38、Mn=0.8、Cr=1.0、Ni=0.2、temper=550 °C。首先检查此样本是否在训练范围内。如果合适，调整预测方法和不确定性；如果不合适，建议使用 Hall-Petch 和温度效应交叉检查物理合理性 不要给出单点精确值。
强提示要求在做出预测之前进行外推检查，消除不确定性，并根据物理定律测试结果。这提供了比原始数字更可靠的决策依据。
常见错误
- 将教育成功误认为真正的成功（跳过过度拟合）。
- 在不进行训练/测试分割的情况下评估模型。
- 接受外推区域中产生的估计是安全的。
- 使用少量且不平衡的数据构建复杂模型。
- 不将特征重要性与物理合理性进行比较。
- 在没有通过实验验证的情况下对设计进行批判性猜测。
综上所述
机器学习通过良好的数据有力地捕捉成分-过程-性质之间的关系，并智能地缩小实验计划的范围。但模型的好坏取决于它的数据。训练成绩可能会产生误导（过度拟合），并且训练范围之外的估计（外推）是不可靠的。通过测试数据成功、外推控制、物理合理性以及在关键情况下的实际实验来测试每个预测。
应用任务
使用现有（或虚构）材料数据集定义属性预测问题：写下目标和输入。使用“ML 问题图”模板向 AI 寻求方法。然后定义一个“新样本”，并用“EXTRAPOLATION CHECK”模板检查这个样本是否在训练范围内。最后，在一段中描述您将使用哪个实验来验证模型的输出。
清单
- [ ] 我明确定义了目标和投入。
- [ ] 我检查了数据质量（缺失、异常值、单位、平衡）。
- [ ] 我通过训练/测试划分来衡量诚实的成功。
- [ ] 我检查了每个估计的外推风险。
- [ ] 我将特征重要性与物理合理性进行了比较。
- [ ] 我制定了一个计划，用实际实验来验证关键预测。