来源：期刊VIP网 时间：
作者：田静;李苑;官敏;郑际杰;储静远;刘涌;韩高荣;
单位：浙江大学材料科学与工程学院;中国建材国际工程集团有限公司;玻璃新材料创新中心(安徽)有限公司;浙江大学宁波国际科创中心;
摘要：随着氧化物玻璃在电子信息领域的应用日益广泛，其电学性能作为关键性指标也愈发受到重视。尽管数据驱动的机器学习方法在玻璃性能预测中已取得显著进展，但其在小数据集场景下的应用仍面临挑战。针对氧化物玻璃电学性能数据不足的核心问题，引入带梯度惩罚项和组分惩罚项的改进Wasserstein生成式对抗网络(WGAN-GP-CP)，构建了适用于玻璃材料的数据增强框架，并设计了新型样本质量评估方式。该框架在生成器损失函数中引入组分惩罚项，能够生成高质量的合成样本，有效扩展现有数据集。对比研究表明，数据增强显著缓解了模型过拟合问题，同时显著提升其泛化能力。基于建立的组分–性能预测模型，通过SHAP单特征分析和特征交互分析进一步揭示了氧化物组分特征对玻璃电学性能的影响机制及特征间的交互作用。以上结果不仅为氧化物玻璃电学性能预测提供了可靠的模型支持，更为数据稀缺场景下高性能数据驱动模型的开发提供了新思路。
关键词：氧化物玻璃;电学性能;机器学习;数据增强;SHAP分析
基金资助：国家“十四五”重点研发计划（2022YFB3603300）; 上海市2022年度科技创新行动计划国际科技合作项目（22520730500）
