金属学报

作者：王冠杰, 刘盛咸, 周健, 孙志梅

单位：北京航空航天大学 材料科学与工程学院 北京 100191

关键词：可解释机器学习,材料基因工程,符号回归,

基金：国家重点研发计划项目(2022YFB3807200)

随着人工智能(AI)技术的迅速发展，机器学习在材料研发与设计中发挥着越来越重要的作用。传统机器学习模型往往为“黑盒”模型，限制了科研人员对模型决策过程的理解和信任。而可解释机器学习(XML)可以揭示机器学习模型的内部机制，提供对模型决策过程的洞察。本文从可解释机器学习的基础知识出发，概述了可解释机器学习方法的发展历程和重要里程碑，以及可解释机器学习在人工智能领域的定位和需要遵守的F.A.S.T.原则；进一步介绍了模型内部结构可解释和外部评估模型可解释的2大类可解释机器学习方法及其在材料学中的应用案例。特别地，本团队提出的可解释符号回归和可视化机器学习方法将为材料研发与设计提供新的工具。最后，展望了可解释机器学习在材料学领域的潜在发展方向。

来源：2024年第10期

《金属学报》期刊编辑部

查看金属学报杂志2024年第10期