Npj Comput. Mater.: 机器学习"炼金术"：从黑箱模型到可共享的材料设计规则

主要观点总结

本文介绍了针对材料科学领域机器学习模型不可共享问题的解决方案。研究团队利用机器学习模型预测多主元高温合金的相形成，并通过Shapley加性解释方法将模型知识转化为可理解的材料设计规则。这一创新方法使得研究者能够直接应用设计规则，无需依赖复杂的机器学习模型，为机器学习在材料科学中的共享提供了普适性方案。

关键观点总结

关键观点1: 机器学习在材料科学中的应用及面临的挑战

机器学习已成为加速新材料开发的有力工具，但在材料科学领域，研究者构建的机器学习模型往往难以被他人直接使用，存在“模型不可共享”的问题。

关键观点2: 研究团队提出的解决方案

哈尔滨工业大学（深圳）材料科学与工程学院刘兴军教授和姚志富博士团队提出了一种创新解决方案，即将机器学习模型知识转化为可理解的材料设计规则。他们通过构建分类模型并利用Shapley加性解释方法，从模型中提取关键知识并转化为设计规则，完全规避了传统机器学习模型共享的技术障碍。

关键观点3: 解决方案的具体实施及成果

研究团队首先构建了两个分类模型，分别用于预测L12相形成和其他杂相析出。随后，采用Shapley加性解释方法从模型中提取关键知识。基于这种方法，研究团队确立了MPESAs中形成“FCC+L12”双相微观结构的通用设计策略，并实验验证了该策略的有效性。一种合金展现出高固溶温度和超低密度，性能优于大多数已知MPESAs。这项研究的意义在于不仅开发出高效的MPESAs设计策略，更开创了一种将机器学习知识转化为可共享设计规则的新范式。

关键观点4: 研究的影响和未来推广

该研究为解决机器学习在材料科学中的共享难题提供了普适性方案，可推广到其他材料体系的设计中。此外，该研究的成果对于促进机器学习在材料科学领域的应用和发展具有重要意义。

免责声明