结合生成对抗网络与主动学习的小数据集高熵合金相预测

Science China Technological Sciences （《中国科学：技术科学》英文刊）于2023年第66卷第12期出版的文章“Phase prediction for high-entropy alloys using generative adversarial network and active learning based on small datasets”建立了基于生成对抗网络和主动学习的机器学习模型，高效解决了基于小数据集的高熵合金相结构预测问题。

基于条件生成对抗网络和主动学习的高熵合金相结构预测流程图

准确的相结构预测可以指导具有理想性能的高熵合金设计。该文提出了一种条件生成对抗网络(CGAN)和主动学习(AL)相结合的机器学习模型，用于预测高熵合金的体心立方BCC相、面心立方FCC相和BCC+FCC相。所提出的模型可以高效预测基于小数据集的高熵合金相结构。原始数据集中有1016个多主元合金样品，共有9个特征。

首先，采用领域知识嵌入方法进行特征选择，提高了模型的可解释性。然后，考虑到材料实验数据不足，引入条件生成对抗网络，将数据从1016个样本扩展到1616个样本。基于增强后的数据，进行机器学习模型训练。之后采用主动学习的方法提高模型的预测精度。该文选择的模型是人工神经网络模型，并运用算术优化算法优化模型的初始权值。算术优化算法可以有效克服模型陷入局部最优解的问题，减少迭代次数，加快人工神经网络模型的收敛速度。基于主动学习的模型准确率达到96.08%，通过对比发现，主动学习提升了模型的预测能力。与随机选择训练集训练的模型相比，主动学习用较少的数据即可达到令人满意的精度，同时节省计算时间和成本。CGAN与AL相结合的机器学习框架可以有效缓解数据不足带来的问题。

该文所建立的机器学习模型可辅助理想性能的高熵合金设计，具有重要的应用价值。