Data-Driven Prediction and Classification of Multi-Component Alloys Using Interpretable Machine Learning
Cette étude présente un cadre d'apprentissage automatique interprétable utilisant une forêt aléatoire de régression et un classificateur de régression logistique sur 2 672 systèmes d'alliages multi-composants afin de prédire avec précision les propriétés mécaniques et thermiques tout en identifiant le vanadium, le fer, le tungstène et le carbone comme des moteurs compositionnels clés, permettant ainsi une découverte de matériaux scalable et pilotée par les données.