Data-Driven Prediction and Classification of Multi-Component Alloys Using Interpretable Machine Learning
Diese Studie präsentiert ein interpretierbares maschinelles Lernframework unter Verwendung eines Random Forest Regressors und eines Logistic Regression Klassifikators auf 2.672 mehrkomponentigen Legierungssystemen, um mechanische und thermische Eigenschaften präzise vorherzusagen und gleichzeitig Vanadium, Eisen, Wolfram und Kohlenstoff als entscheidende Zusammensetzungsfaktoren zu identifizieren, wodurch eine skalierbare und datengesteuerte Materialentdeckung ermöglicht wird.