基于软磁体的非晶合金具有高强度，优异的软磁性能和强的耐腐蚀性的优点。

研究人员在1980年代成功开发的Fe-Co-P-B和Fe-Co-Si-B已被用作软磁材料，其商品名为METGLAS。

1988年，研究人员开发了Fe-Si-B-Cu-Nb（FINEMET）纳米晶合金，该合金显着改善了其软磁性能。

在随后的几十年中，尽管研究人员开发了许多新的合金部件，但当前的工业化合金主要是1980年代开发的METGLAS和FINEMET。

从侧面可以看出，当前大多数新合金成分的综合性能，如非晶形成能力，饱和磁通密度，矫顽力，导磁率和热稳定性，仍难以满足使用要求。

一方面，目前缺乏能够定量描述铁基非晶态合金的成分与性能之间关系的标准；另一方面，目前尚缺乏一种标准。

另一方面，到目前为止，铁基非晶态合金的成分设计主要依靠传统的实验反复试验方法。

这种研究和开发过程的复杂性，低效率，长循环时间和高成本已经成为在铁基非晶态合金的快速，准确设计中迫切需要克服的技术问题。

随着人工智能技术的发展，机器学习（MachineLearning）方法在数据挖掘领域取得了长足的进步。

在材料科学领域，机器学习已逐渐应用于材料建模以更准确地预测材料属性。

这些方法为解决材料成分优化，处理工艺设计和性能研究提供了科学有效的先进方法。

然而，大多数当前的机器学习算法具有“黑匣子”。

问题，并且难以建立能够定量描述铁基非晶态合金的成分与性能之间关系的合金设计模型。

因此，提高机器学习模型的可解释性和透明度将有助于调试模型，指导数据收集的未来方向，为特征构建和性能预测提供真正可靠的信息，并最终建立内在特征与性能之间的关系。

合金。

之间的定量关系。

图1. XGBoost机器学习算法获得输入特征分数。

北京科技大学新金属材料国家重点实验室的吕兆平教授和刘雄军教授团队以及北京材料基因工程先进创新中心提出了一种利用可解释性的XGBoost。

机器学习算法可帮助设计具有高热稳定性和高饱和磁感应强度的软磁铁基非晶合金的方法。

同时，它深入探索了重要特征背后的物理意义，并建立了一种高精度的性能预测标准，这是一种新型的软磁铁基非晶合金。

合金的研究与开发提供了新的思路，可以大大提高合金的研发效率，降低研发成本。

图2.机器学习预测的实验验证。

基于XGBoost算法，这项工作具体包括：1）建立铁基非晶态合金数据集； 2）预处理数据集，输入参数“指纹”，并计算和计算N组样品中每组数据的合金成分比率信息。

固有特性例如原子大小的差异用作输入特征，以及饱和度。

磁感应强度和初始结晶温度用作输出变量； 3）建立机器学习预测模型，进行重要特征提取，并结合提取出的重要特征进一步推导物理意义。

软磁性能与热稳定性及重要特征之间的关系，然后基于物理冶金理论实现特征约简，获得可解释的定量预测标准； 4）通过测量制备差异对合金设计标准进行实验验证将基于软磁铁的非晶态合金的饱和磁通密度（Bs）和结晶温度（Tx）与机器学习指南进行比较。

作者发现Bs和Tx的预测误差分别小于10％和5％，这证明了XGBoost机器学习模型的可靠性和合理性。

基于现有的e