适于小样本的结合符号回归和领域自适应的低活化高熵合金硬度预测框架

本研究针对低活化高熵合金（RAHEA）的小样本数据问题，提出了一种结合符号回归（SR）和领域自适应的框架，以提高硬度预测的准确性和稳健性。通过筛选领域不变特征，该框架能够有效捕捉硬度相关的领域不变特征，从而在小样本数据集上实现更稳定的性能预测。研究结果表明，引入领域不变特征后，机器学习模型的预测误差显著降低，尤其是在目标域上的预测结果与源域保持较好的一致性。该框架为基于小样本的材料设计提供了新策略，并展示了在材料性能预测和优化设计中的潜在应用。