1. 材料性能回归任务定义与工程全景
材料性能机器学习回归工程的第一步，不是选模型，而是把“要预测什么、用什么预测、预测到什么程度算可用”这三件事定义清楚。材料研发天然沿着一条链条展开：成分 → 工艺 → 结构 → 性能。这条链条既是物理因果链，也是数据生成链，更是建模时的特征—标签映射链。回归任务的定义，本质上就是在这条链条上选定一个切面：把切面之前的量作为输入，把切面之后的某个连续量作为输出。
以常见的金属材料为例，成分可表示为 Fe-0.2C-1.5Mn-0.5Si（质量分数，%），工艺可表示为“1100 ℃ 保温 1 h 后水淬 + 500 ℃ 回火 2 h”，结构可表示为“马氏体 + 少量残余奥氏体，原奥氏体晶粒尺寸约 25 μm”，性能则可能是屈服强度、抗拉强度、延伸率、硬度或疲劳寿命。若目标是预测屈服强度，那么输入可以是成分、热处理参数与晶粒尺寸，输出是单一连续标量，单位 MPa。这就是一个典型的监督回归任务。
从工程全景看，一个可落地的材料性能回归系统包含五个层次：数据层、特征层、模型层、评估层、应用层。数据层决定上限，特征层决定信息密度，模型层决定拟合能力，评估层决定可信度，应用层决定价值。很多项目失败并非模型不好，而是数据层与特征层没有对齐物理链条。
上图中，物理链条与建模切面是理解任务定义的钥匙。切面选得越靠后，输入信息越丰富，但数据获取成本也越高。例如把“结构”作为输入，需要金相、EBSD 或 XRD 数据，样本量往往只有几十到几百；若只用成分与工艺，样本可来自产线记录，规模可达数千，但结构信息被隐式压缩，模型需要更强的归纳偏置。
回归目标与输入输出的工程化定义
定义回归任务时，建议用一张“任务卡”把关键信息固定下来，避免后续反复。任务卡至少包含：目标性能及其单位、输入特征清单及其单位、样本来源与数量、适用成分/工艺区间、评估指标与验收阈值。例如：
| 项目 | 示例内容 |
|---|---|
| 目标性能 y | 屈服强度 Rp0.2，单位 MPa |
| 输入特征 X | C、Mn、Si 质量分数（%）；奥氏体化温度（℃）、保温时间（min）、回火温度（℃）；晶粒尺寸（μm） |
| 样本来源 | 实验室热处理实验 180 组 + 文献整理 120 组 |
| 适用区间 | C: 0.1–0.4%，Mn: 0.5–2.0%，奥氏体化 850–1150 ℃ |
| 评估指标 | MAE ≤ 35 MPa，R² ≥ 0.85（5 折交叉验证） |
这张表的价值在于：它把“预测什么”变成了可检查的契约。若后续 MAE 为 60 MPa，不是模型“不行”，而是没有达到任务卡约定的验收线，需要回到数据或特征层排查。
数据来源与质量约束
材料回归的数据通常来自四类：实验数据、文献数据、仿真数据、产线数据。实验数据可信但昂贵；文献数据量大但存在测试标准不一致、单位混乱、缺失工艺细节等问题；仿真数据覆盖广但依赖本构模型精度；产线数据真实但噪声大、标签滞后。工程上常见的做法是“实验数据定标、文献数据扩充、仿真数据补边界”，并在合并前统一单位与测试条件。
从任务定义到可执行的第一步
完成定义后，建议先做一个最小可行基线：用线性回归或决策树，仅取 3–5 个核心特征，在留出集上计算 MAE 与 R²。这个基线不追求精度，而是验证数据管道是否通畅、标签是否合理、特征与目标是否存在单调关系。若线性基线 R² 已接近 0.7，说明特征携带了有效信息；若 R² 接近 0，应先检查数据对齐与单位，而不是急于换复杂模型。