金属玻璃形成能力中特征温度贡献的探究

人们已提出玻璃转变温度、液相线温度和结晶温度等特征温度的各种组合，作为金属合金玻璃形成能力的预测指标。我们采用机器学习的统计方法，系统性地探索了广泛的可能特征温度函数，以临界铸造直径 $D_{max}$ 的形式预测玻璃形成能力。我们使用线性和非线性模型，在迄今最大的 $D_{max}$ 值数据库（含 747 种成分）上进行学习。我们发现，在机器学习模型中，没有任何特征温度组合能比温度本身更好地预测 $D_{max}$，且回归模型在标准机器学习指标（如均方根误差，对于标准差为 4.8 $mm$ 的数据最小值为 $3.3 \pm 0.1$ $mm$）上表现不佳。对误差与数据库大小的考察表明，更大的数据库或可改善结果，尽管可能需要比本文所用显著更大的数据库。将重点从回归转向基于特征温度学习的分类模型，可弱区分 $D_{max}$ 值高于或低于本数据库中位数 4.0 $mm$ 的玻璃，该分类的平均 F1 分数为 $0.77 \pm 0.02$。预测 $D_{max}$ 的整体微弱结果表明，临界冷却速率或许是机器学习模型更优的预测目标。