面向数据高效与可解释性的图结构超维计算：用于过程-结构-性质预测
机器学习
2026-05-11 v1 人工智能
摘要
多光子光致还原使得复杂三维微结构的高保真制造成为可能，然而可靠的过程-结构-性质 (PSP) 预测仍然困难，因为可用数据稀疏、异构且受相互作用主导。在这种情况下，传统的特征向量模型统计上欠定制，容易产生虚假关联、差异转移和不稳定的事后解释，而机械模型管道则依赖稀缺的已校准子模型。我们提出了 PSP-HDC，一个图结构超维计算框架，将有向 PSP 图编码为内在先验，用于表示、推断和解释。一个可训练的标量到超向量编码器在固定的超维基上学习参数特定的嵌入，以适应异构尺度和噪声。随后，通过沿有向 PSP 依赖关系的图对齐绑定和捆绑来组合样本表示，并通过类原型的关联记忆检索来进行预测。由于相同的原型记忆同时支持决策和归因，PSP-HDC 在参数、组和组内水平上提供内在解释，同时记忆对齐和分离量化训练中的原型形成。在 3D 平台的电阻率制度预测上，PSP-HDC 在 1000 次随机划分下的准确率为 ，在工艺折叠下为 ，优于强基准。
引用
@article{arxiv.2605.07999,
title = {Graph-Structured Hyperdimensional Computing for Data-Efficient and Explainable Process-Structure-Property Prediction},
author = {Jingzhan Ge and Ajeeth Vellore and Ajinkya Palwe and Ahsan Khan and David Gorsich and Matthew P. Castanier and SeungYeon Kang and Farhad Imani},
journal= {arXiv preprint arXiv:2605.07999},
year = {2026}
}
备注
19 pages, 18 figures