.png){kind=icon}
返回
Explainable Artificial Intelligence (XAI) for Material Design and Engineering Applications: A Quantitative Computational Framework
.png){kind=icon}
OA
AI
DOI：10.1002/msd2.70017.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
人工智能（AI）在材料设计与工程领域的进步，显著提升了材料性能预测建模的准确性。然而，基于机器学习（ML）的材料信息学缺乏可解释性，成为其应用推广的主要障碍。本研究提出了一种新颖的定量计算框架，通过整合机器学习模型与可解释人工智能（XAI）技术，提升材料性能预测的准确性和可解释性。该框架系统性地包含数据预处理、特征选择、模型训练、性能评估、可解释性分析和实际部署等结构化流程。通过代表性案例研究——高性能混凝土（HPC）抗压强度的预测，利用随机森林、XGBoost、支持向量回归（SVR）和深度神经网络（DNNs）等机器学习模型的对比分析进行验证。结果表明，XGBoost获得最高的预测性能（R²=0.918），而SHAP（Shapley Additive Explanations）和LIME（Local Interpretable Model-Agnostic Explanations）为特征重要性和材料相互作用提供了详细见解。此外，将训练好的模型部署为基于云的Flask-Gunicorn API，实现了实时推理，确保其在工业和研究应用中的可扩展性与易用性。该框架通过整合先进的可解释性技术、系统处理非线性特征交互并提供可扩展的部署策略，解决了现有机器学习方法的关键局限性。本研究为可解释且可部署的AI驱动材料信息学的发展做出了贡献，弥合了数据驱动预测与基础材料科学原理之间的差距。
Keyword:
explainable artificial intelligence (XAI)
high-performance concrete
material informatics
predictive modeling
science cloud deployment
期刊
IF:
3.6
论文数:
198
被引数:
313
机构
引用论文
"Why Should I Trust You?"“我为什么要相信你？”.png)
Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining
Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data MiningIF0
PREAI
分享收藏Recent advances and applications of deep learning methods in materials science深度学习方法在材料科学中的最新进展与应用
OAAI
OAAI分享收藏Big-deep-smart data in imaging for guiding materials design大-深-智能成像数据指导材料设计NATURE MATERIALSOAAI
NATURE MATERIALSIF38.5
OAAI分享收藏A review article: isogeometric boundary element analysis in engineering applications评论文章: 工程应用中的等几何边界元分析
PREAI
分享收藏分享收藏A stochastic multiscale method for the prediction of the thermal conductivity of Polymer nanocomposites through hybrid machine learning algorithms通过混合机器学习算法预测聚合物纳米复合材料导热系数的随机多尺度方法COMPOSITE STRUCTURES
COMPOSITE STRUCTURESIF7.1
PREAI
分享收藏
查看更多内容