基于物理信息图注意力网络的复杂合金多标签相图预测

准确的相平衡是合金设计的基础，因为它们编码了支配稳定性、相变和加工窗口的底物热力学。然而，尽管计算相图（CALPHAD）提供了严格的热力学框架，但探索多组分成分-温度空间仍然计算昂贵，通常仅限于稀疏截面。为实现快速相图映射和合金筛选，我们提出了一种物理信息图注意力网络（GAT），学习元素感知的表示，并与热力学约束耦合，用于 Ag-Bi-Cu-Sn 合金系统中的多标签相集预测。使用约 25,000 个平衡态生成的每个成分-温度点表示为四节点元素图，原子分数和元素描述符作为节点特征。该模型组合图注意力、全局池化和多层感知机，以预测九个相关相。为提高物理一致性，我们将热力学约束作为训练惩罚或推理时的投影应用。 在六个二元和三个三元子系统中，基线模型实现了 0.951 的宏平均 F1 分数和 93.98% 的精确集合匹配，而物理信息解码后在密集领域网格上将精确集合准确率提高至约 96%。该模型对未出现的三元截面实现了 99.32% 的精确集合准确率，对 700 摄氏度下的四元截面实现了 91.78% 的准确率。这些结果表明，注意力机制图学习结合热力学约束强制提供了一种有效且物理一致的高分辨率相图映射和外推性合金筛选的替代方法。