3. 实验优化中的特征工程与描述符构建

在机器学习辅助实验优化中，模型的上限往往不由算法决定，而由输入特征决定。实验数据通常来自物理量测量、工艺参数设定、材料组成配比和操作条件记录，这些原始记录本身并不等于“有效特征”。特征工程的任务，是把分散、量纲不一、甚至相互耦合的原始信息，转换成模型能够识别、且与优化目标真正相关的描述符。本节围绕“从哪来、怎么造、如何选”三个层面展开。

一、四类原始信息与特征来源

实验优化场景中的原始信息大致可分为四类。第一类是物理量，如温度、压力、浓度、粒径、电导率、强度等，它们通常由传感器或表征仪器直接测得，带有明确单位和测量误差。第二类是工艺参数，如升温速率、保温时间、搅拌转速、流量、pH 设定值，属于可主动调节的输入变量。第三类是材料组成，如各组分的质量分数、摩尔比、掺杂量、粒径分布，常以配比表形式存在。第四类是操作条件，如批次顺序、环境湿度、设备编号、操作人员等，容易被忽略，却可能引入系统性偏差。

这四类信息在建模中的角色并不相同：工艺参数和材料组成通常是可优化的决策变量，物理量既可能是中间响应也可能是目标，操作条件则更多作为分层或校正依据。若不加区分地把所有列都塞进模型，容易让模型学到与目标无关的伪相关。

二、领域知识驱动的描述符

领域知识驱动的描述符，是把专业机理“翻译”成数值特征。以材料配方优化为例，直接使用各组分质量分数，模型只能看到线性配比；而构造“摩尔比”“原子百分比”“价电子浓度”“混合熵”等描述符，则能把配方与性能之间的物理联系显式表达出来。再如热处理工艺，除了记录“温度 800 ℃、时间 2 h”，还可以构造“扩散特征长度 √(Dt)”“等效退火参数”“冷却速率”等，这些量比原始设定值更接近决定微观组织的物理机制。

构造这类描述符时，应遵循三条原则：一是可解释，每个描述符都能对应一个物理或化学含义；二是可计算，能由已有原始字段稳定算出，不依赖额外实验；三是与目标有因果或机理关联，而非仅统计相关。下面给出一个配方描述符的计算示例：

# 示例：由质量分数计算摩尔分数与混合熵（假设数据）
# 组分: A(MA=60), B(MB=90), C(MC=120)  g/mol
w = {"A": 0.50, "B": 0.30, "C": 0.20}   # 质量分数
M = {"A": 60, "B": 90, "C": 120}

n = {k: w[k] / M[k] for k in w}          # 摩尔数
n_total = sum(n.values())
x = {k: n[k] / n_total for k in n}       # 摩尔分数

import math
R = 8.314
S_mix = -R * sum(x[k] * math.log(x[k]) for k in x)  # J/(mol·K)
print("摩尔分数:", {k: round(v, 3) for k, v in x.items()})
print("混合熵 S_mix =", round(S_mix, 2), "J/(mol·K)")
# 示例输出: 摩尔分数 {'A': 0.556, 'B': 0.222, 'C': 0.222}
#          混合熵 S_mix = 8.64 J/(mol·K)

该示例中，质量分数经过摩尔质量换算后得到摩尔分数，再计算混合熵。混合熵是合金与陶瓷配方中常用的热力学描述符，它比单纯的质量分数更能反映组元混合的混乱程度，也常与相稳定性相关。

三、自动特征构造与降维

当领域知识不足以覆盖全部变量时，可以借助自动特征构造扩展候选空间。常见做法包括：对数值特征做多项式组合（如温度×时间）、比值（如流量/体积）、对数或平方根变换；对类别特征做独热编码或目标编码；对时间序列提取均值、方差、斜率、峰值位置等统计量。自动构造会迅速产生大量特征，此时必须配合降维与筛选。

降维方法可分为两类。一类是特征选择，如方差过滤、相关系数筛选、基于模型的重要性排序（随机森林、LASSO），它保留原始物理含义，适合需要解释的优化场景。另一类是特征提取，如主成分分析（PCA）、偏最小二乘（PLS），它把原始特征投影到低维空间，能压缩冗余但会损失可解释性。在实验优化中，若目标是指导下一轮实验，优先使用特征选择；若只是建立预测模型，可考虑 PCA 或 PLS。

四、特征质量对优化效果的影响

下面用一个假设的工艺优化案例说明特征质量的作用。目标是提高某涂层材料的附着力（单位：MPa），可调变量为固化温度 T（150–220 ℃）、固化时间 t（10–60 min）和促进剂含量 c（0.5–3.0 wt%）。原始数据共 40 组，采用高斯过程回归建模，比较三种特征方案：

表中数据为教学示例，用于说明趋势而非真实实验结果。方案 A 仅用原始设定值，模型难以捕捉温度与时间的交互作用；方案 B 引入乘积项和比值项，R² 提升到 0.78；方案 C 进一步引入由固化动力学模型估算的固化度和交联密度指数，R² 达到 0.86，推荐点的预测附着力也最高。这说明：好的描述符能把“实验条件”翻译成“材料状态”，让模型在更接近机理的层面上学习。

五、特征工程的检查清单

在实际项目中，可按以下顺序检查特征质量：先确认每个特征的物理含义与单位；再检查缺失值、异常值和量纲差异，必要时做标准化；然后计算特征与目标的相关性及特征间共线性；接着用交叉验证比较不同特征子集的模型表现；最后保留一组“可解释、可复现、可指导下一轮实验”的特征。特征工程不是一次性动作，而应随着新实验数据加入而迭代更新。

从图中可以看出，特征工程是一条从“原始信息”到“有效描述符”再到“模型与优化”的链路。左侧四类原始信息经过特征构造层，形成领域知识描述符与自动构造特征；再经过降维筛选层，剔除冗余与共线性；最终进入模型。下方对比则直观显示：随着描述符从原始参数升级到机理描述符，交叉验证 R² 和推荐实验点的预测性能同步提升。这正是特征质量决定优化效果的直接体现。