1. 课程导入与工程视角

材料性能预测的可解释机器学习工程，是把“材料成分—工艺—组织—性能”之间的复杂关系，转化为可训练、可验证、可解释、可部署的工程系统。它不只是训练一个回归模型来预测强度、模量、导电率或疲劳寿命，而是要求我们回答三个工程问题：模型为什么给出这个预测？哪些成分或工艺参数在起作用？当预测偏差出现时，应该回到哪一段实验或工艺去修正？

传统材料研发常依赖经验公式、相图计算、有限元仿真和大量试错实验。以合金抗拉强度为例，经验公式可能写成 σ = σ₀ + k·d^(-1/2) 这样的 Hall-Petch 形式，但真实材料中晶粒尺寸、第二相体积分数、固溶元素、热处理温度与时间彼此耦合，单一公式难以覆盖。机器学习可以拟合高维非线性关系，但若只追求测试集 R²，模型可能学到数据泄漏、批次偏差或伪相关。例如某批样品因同一炉次而共享杂质水平，模型可能把“炉号编码”当成强特征，导致新炉号预测失效。可解释机器学习工程的核心，就是把这些风险显式地纳入数据、特征、模型、评估和部署环节。

本节先建立整体视角。下图给出该工程系统的核心结构：左侧是材料对象与工艺输入，中间是数据与特征层，右侧是模型、解释与决策输出。图中同时标出三类典型挑战：小样本与噪声、多尺度耦合、分布外泛化。它们不是并列的“知识点”，而是贯穿后续章节的工程约束。

从图中可以看到，可解释机器学习工程不是“先建模、后解释”的线性流程，而是解释与建模同步设计。若目标是指导成分优化，那么特征必须可干预、可测量；若目标是理解机理，那么模型结构应尽量保留单调性、可加性或物理约束。例如在预测屈服强度时，可以构造特征 x1 = d^(-1/2)、x2 = f_v^(1/2)、x3 = C_eq，再训练一个带单调约束的梯度提升模型，要求 x1 对 σ_y 的偏效应单调递增。这样得到的 SHAP 依赖图或 PDP 曲线才可能与 Hall-Petch 和 Orowan 强化趋势一致，而不是给出“晶粒越大强度越高”的反机理结论。

典型应用场景可以分成四类。第一类是成分—工艺—性能正向预测：给定成分和热处理制度，预测屈服强度、抗拉强度、延伸率、硬度或耐蚀等级。第二类是反向设计：给定目标性能区间，搜索满足约束的成分与工艺组合，例如“σ_y ≥ 850 MPa，δ ≥ 12%，Cr ≤ 18%”。第三类是机理发现与假设生成：通过全局解释和交互效应分析，发现“时效温度×Mo含量”对强度的非线性交互，提示可能存在析出相类型转变。第四类是过程监控与异常诊断：把炉次、批次、设备状态作为上下文特征，识别预测偏差是来自材料本身还是数据漂移。

为了让后续章节有清晰的工程落点，这里给出一个贯穿课程的最小示例。假设我们有一份不锈钢数据集，包含 120 个样本，输入特征为 C、Cr、Ni、Mo、固溶温度、时效温度、时效时间、晶粒尺寸，输出为屈服强度。一个可解释建模的初始配置可以写成：

目标变量: sigma_y (MPa)
特征: C, Cr, Ni, Mo, T_sol, T_age, t_age, d
构造特征: d_inv_sqrt = d**(-0.5)
          age_param = T_age * log10(t_age + 1)
          Cr_eq = Cr + Mo + 1.5*Si
数据划分: 训练 70% / 验证 15% / 测试 15%，按炉次分组划分
模型候选: 线性回归 + 二次项、决策树、XGBoost
解释方法: 系数符号检查、SHAP 蜂群图、PDP 双变量交互
评估指标: RMSE、MAE、R²、分布外测试集误差、解释一致性评分

这里的关键不是记住某个模型名称，而是理解每个选择背后的工程理由。按炉次分组划分，是为了避免同一炉次样本同时进入训练和测试造成数据泄漏；构造 d_inv_sqrt，是为了让模型更容易学到 Hall-Petch 趋势；加入 age_param，是因为时效强化通常同时受温度和时间控制，单一特征难以表达扩散过程。若最终 XGBoost 在测试集上 R²=0.91，但 SHAP 显示 d_inv_sqrt 的贡献方向与机理相反，就不能直接接受该模型，而应检查数据中晶粒尺寸的测量方式、是否存在成分—晶粒尺寸混杂，或改用带单调约束的模型。

本课程的整体学习路线将围绕这条主线展开：先建立数据与特征工程能力，再掌握可解释模型与解释方法，然后进入多目标优化、不确定性量化和闭环实验设计，最后完成一个可复现的材料性能预测工程案例。你不需要一开始就精通所有算法，但需要始终带着“这个特征能否被工艺干预”“这个解释能否被实验验证”“这个预测在什么范围内可信”这三个问题去学习。只有把模型放回材料研发的真实约束中，可解释机器学习才真正具备工程价值。