用于预测三元合金系统玻璃形成能力的机器学习框架
材料科学
2025-12-10 v2
摘要
预测化学组成的玻璃形成能力 (GFA) 仍是材料科学中的根本性挑战，特别是对于组成多样性广泛的氧化玻璃。传统的经验方法和热力学方法往往无法捕捉决定玻璃化的复杂非线性因素。本研究将两种集成机器学习算法——随机森林 (RF) 和极端梯度提升 (XGB)——应用于 glass_ternary_hipt 数据集，用于直接从组成派生的描述子预测三元氧化玻璃的 GFA。两种模型均实现了优异的预测准确率 (R^2 > 0.92, MAE < 0.04)，确认 GFA 可仅从组成特征学习。特征重要性分析揭示，电负性方差、原子尺寸不匹配和价电子描述符是最具影响力的因素，而黏结能和离子半径提供次要贡献。这些可解释的化学特征与玻璃形成的既定理论相吻合，从而将预测性能与物理理解相结合。本工作的创新性在于系统性地将基于机器学习的预测建模扩展到三元氧化玻璃，这类玻璃比金属和二元系统研究得较少。我们的结果表明，集成学习不仅能够实现准确的 GFA 预测，也为设计具有增强稳定性的新玻璃组成提供了可操作的见解。
引用
@article{arxiv.2512.05895,
title = {A Machine Learning Framework for Predicting Glass-Forming Ability in Ternary Alloy Systems},
author = {Fatemeh Mahmoudi},
journal= {arXiv preprint arXiv:2512.05895},
year = {2025}
}
备注
Keywords: Glass-Forming Ability, Ternary Oxide Systems, Materials Informatics, Machine Learning, Random Forest, XGBoost