小样本下Cu基非晶合金热力学性能高效软测量方法

本文主要探讨了在Cu基非晶合金材料的研究中遇到的一个关键挑战——由于受到实验时间、条件限制以及高昂的制备成本，通常得到的热力学性能数据相对有限，这在新材料研发过程中产生了瓶颈。为了解决这一问题，研究者提出了一种创新的方法，即在小样本数据的背景下，构建具有良好泛化能力的热力学性能软测量模型。 小样本数据扩充是文中提出的策略之一，通过在原始数据中注入噪声，增加了样本的多样性和随机性，使得模型能够更好地适应不同情境下的性能预测。这种方法有助于减少因数据量不足引起的偏差，提升模型的稳健性。 在模型构建过程中，作者特别关注样本分布函数的不确定性，引入了信息论中的微分熵作为准则函数的一部分。微分熵是衡量不确定性的一个重要指标，将其融入模型设计有助于提高模型的鲁棒性和准确性。通过建立最大熵准则的神经网络反向传播理论，研究人员能够得到一个在小样本条件下仍能捕捉非线性关系的数学模型。 具体来说，这种方法在三元Cu基非晶合金的数据集上进行了验证，结果显示，即使在样本数量不多的情况下，模型依然能够有效地建立起热稳定性与玻璃形成能力与材料配方之间的复杂关系。通过仿真分析，模型的预测精度得到了较高的评价，这对于优化新材料的配方和推动Cu基非晶合金材料的发展具有重要意义。 总结而言，这篇文章的核心贡献在于提出了一种有效处理小样本数据的策略，结合熵的概念和神经网络技术，为解决Cu基非晶合金热力学性能预测中的数据限制提供了有力的工具。这一成果对于提升材料科学研究的效率和准确性具有实际价值。