Data-Driven Prediction and Classification of Multi-Component Alloys Using Interpretable Machine Learning
Questo studio presenta un framework di apprendimento automatico interpretabile che utilizza un Random Forest Regressor e un classificatore di regressione logistica su 2.672 sistemi di leghe multicomponente per prevedere accuratamente le proprietà meccaniche e termiche, identificando al contempo il Vanadio, il Ferro, il Tungsteno e il Carbonio come driver composizionali chiave, abilitando così una scoperta di materiali scalabile e basata sui dati.