开启黑箱：基于物理与专家知识的可解释少样本AI4E框架
机器学习
2025-12-03 v1 人工智能
摘要
人工智能用于工程（AI4E）的工业采用面临两个根本性瓶颈：稀缺的高质量数据和黑箱模型缺乏可解释性——尤其在像航空航天这样安全敏感的领域尤为关键。我们提出了一个系统性地受物理与专家知识指导的可解释、少样本AI4E框架。仅凭32个实验样本（针对空中K439B超合金铸造修复焊接案例），我们首先通过三阶段协议对物理上合情的合成数据进行增强：施加根据工艺变异性校准的噪声、强制执行硬物理约束、保持参数间关系。随后，我们采用嵌套优化策略进行本构模型发现，其中符号回归探索方程结构，微分进化优化参数，然后使用混合全局-局部优化进行参数细化。得到的可解释本构方程在预测热脱焊倾向方面达到88%的准确率。这一方程不仅提供定量预测，还提供显式的物理洞见，揭示了热力学、几何和金属学机制如何耦合驱动裂纹产生——从而发展了工程师对该工艺的认知理解。此外，本构方程还作为过程优化和高保真虚拟数据生成的多功能工具，使其他数据驱动模型的准确率得以提升。我们的方法为开发将工程领域知识直接嵌入其架构的可信赖AI系统提供了通用蓝图，使其在数据有限但物理理解可用的高风险工业应用中实现可靠采纳。
引用
@article{arxiv.2512.02057,
title = {Opening the Black Box: An Explainable, Few-shot AI4E Framework Informed by Physics and Expert Knowledge for Materials Engineering},
author = {Haoxiang Zhang and Ruihao Yuan and Lihui Zhang and Yushi Luo and Qiang Zhang and Pan Ding and Xiaodong Ren and Weijie Xing and Niu Gao and Jishan Chen and Chubo Zhang},
journal= {arXiv preprint arXiv:2512.02057},
year = {2025}
}