SteelAgent dự đoán tính chất thép dựa trên LLM được điều phối và thông tin vật lý

Các mô hình tính chất thép có thể hoạt động tốt trên các tập kiểm tra ngẫu nhiên ngay cả khi chúng ngoại suy kém đối với các hợp kim không quen thuộc. SteelAgent kết hợp các descriptor luyện kim và các mô hình machine-learning với giao diện language-model để dự đoán tính chất, báo cáo độ không chắc chắn và thiết kế ngược. Nhóm tác giả xem xét cách lựa chọn đơn vị giữ lại ảnh hưởng đến kết luận từ các đánh giá độ bền kéo SteelBench. Đối với gradient boosting, $R^2$ pooled out-of-fold giảm từ 0,859 trên phân tách ngẫu nhiên xuống 0,113 khi các family thép được giữ lại. Độ bao phủ thực nghiệm của khoảng dự đoán danh nghĩa 90% dao động từ 91,0% dưới phân tách ngẫu nhiên đến 37,6% trên các nguồn được giữ lại. Ảnh hưởng của các feature có nguồn gốc vật lý phụ thuộc vào đánh giá; chúng làm tăng $R^2$ gradient-boosting thêm 0,2534 trong phân tích giữ lại 17 family và giảm 0,358 trong phân tích phòng thí nghiệm bốn grade riêng biệt. Nhóm tác giả báo cáo các lỗi cấp nhóm và một thí nghiệm hồi quy tổng hợp minh họa cách hiệu chuẩn có thể suy giảm trên các nhóm được giữ lại. Những kết quả này thúc đẩy việc báo cáo quần thể đánh giá cùng với ước tính tính chất hoặc điểm tuân thủ.