镍基高温合金显微组织的机器学习预测

采用具有物理信息核的高斯过程回归机器学习对镍基高温合金的相成分进行建模。该模型对实验室与商用高温合金均给出良好预测，对于 $\gamma$ 与 $\gamma'$ 相各自除两个组分外的所有组分有 $R^2>0.8$，且对 $\gamma'$ 相分数有 $R^2=0.924$（$\mathrm{RMSE}=0.063$）。对于四种基准 SX 系列合金，该方法以 $\mathrm{RMSE}=0.006$ 预测 $\gamma'$ 相成分、以 $\mathrm{RMSE}=0.020$ 预测相分数，优于 CALPHAD 的分别 $0.007$ 与 $0.021$。此外，与 CALPHAD 不同，高斯过程回归量化了预测中的不确定性，并可在新数据可用时重新训练。