AI 與世界的難題 · 化學與材料 · arXiv · 2026-10-20
運用機器學習與物理約束神經網路，以少量資料減緩鋼材壓痕尺寸效應
原標題: Data-Efficient Indentation Size Effect Mitigation in Steels Using Machine Learning and a Physics-Constrained Neural Network
由於壓痕尺寸效應，淺層奈米壓痕會高估硬度，這對薄層與小體積樣品是個問題。作者以三種鋼材的壓痕資料訓練了七個模型，以便從單次淺層壓痕預測高負載參考硬度。在未見過的鋼材上，嶺迴歸與物理約束神經網路的 MAPE 達 3.7–4.8%，而隨機森林與 XGBoost 的遷移表現最差，分別為 10.2% 與 8.5%。