金属合金的力学性能由显微组织和织构决定，即晶粒的尺寸、形状以及晶体取向。这些结构由合金配方和加工工艺共同决定。传统的合金研发沿着配方→结构→性能的正向链路进行调节，而逆向推断——从已优化的显微组织回到可能的配方和工艺——仍依赖专家经验。我们在内部数据集上检验该逆向步骤是否可被机器学习捕获。数据集包含 107 条镁合金挤压实验，涉及 14 种合金，每条记录配有光学显微图和 X 射线织构测量。我们比较了三类特征描述：传统的晶粒与织构统计、预训练图像编码器得到的视觉嵌入、以及基于晶粒网络的图神经网络。每种特征分别接两个预测头：任务 A 预测给定工艺下的合金配方，任务 B 预测给定配方下的工艺参数。采用 5 折交叉验证，传统统计在任务 A 上对 65% 的持出条件正确识别合金，远高于始终猜最常见合金的 17%；视觉嵌入的准确率不足 30%。任务 B 的工艺参数可恢复，但误差较大：相较仅使用配方，加入显微组织信息可将温度误差约减半。由于实验中仅使用了少数铸造配方和压制设置，输出基本是离散的。针对这种离散空间，采用从已知选项中有序选择的预测头比直接回归自由值表现更好。
点评