基于GAN增强的定向约束主动学习框架加速发掘近零烧蚀超高温陶瓷

本文提出了一种基于生成对抗网络（GAN）增强的定向约束主动学习框架，用于加速发现近零烧蚀超高温陶瓷。该框架通过GAN进行数据增强，利用符号回归计算输入特征权重，并开发了一种自适应的期望绝对改进采集函数，实现超高温陶瓷抗烧蚀性能的定向优化。与传统方法相比，该框架显著提高了寻优效率，仅通过两轮迭代就成功发现了在2500℃等离子焰烧蚀条件下具有近零烧蚀率的三组元HfB₂-3.52SiC-5.23TaSi₂超高温陶瓷配方。该研究不仅解决了小数据难以快速优化材料性能的问题，还为其他材料体系的性能优化提供了框架参考。