Accelerating the Design of Resorbable Magnesium Alloys: A Machine Learning Approach to Property Prediction
用 410 筆樣本訓練 CatBoost，降伏強度 R²=0.950，可吸收鎂合金的機器學習設計框架達到實用精度。
- CatBoost 以 410 筆樣本預測三項力學性能，R² 全數超過 0.90，外部驗證確認泛化能力達實用標準。
- SHAP 分析確認熱機械加工條件影響最關鍵，合金元素中 Zn、Mn、Gd 貢獻度排名最前。
- Zn-Mn 成分空間預測地圖讓研究者在實驗前即可鎖定最佳成分區間，大幅提升開發命中率。
用 410 筆鎂合金實驗樣本，CatBoost 模型就能以 R²=0.950 的精度預測降伏強度——傳統上需要大量試鑄的合金開發流程，現在可以在電腦裡先做一輪虛擬篩選。這篇 2026 年發表於 Materials & Design 期刊的研究，由捷克團隊針對可吸收式鎂合金（Resorbable Magnesium Alloy，可在人體內自然降解的醫療植入材料）建立了完整的機器學習設計框架，目標是大幅壓縮下一代生物可降解植入物的材料開發週期。
可吸收鎂合金為何值得機器學習加速
鎂合金作為可降解醫療植入物，吸引力來自兩個獨特屬性：密度與力學性能接近人體皮質骨，以及在體內可透過電化學腐蝕逐漸降解吸收，無需二次手術取出。這讓它成為骨科固定螺釘、血管支架、顱面外科固定物等臨時性植入裝置的重要候選材料。
然而，鎂合金的設計難度遠高於傳統金屬。合金成分（Zn、Mn、Gd 等元素的添加比例）、熱機械加工條件（擠壓、軋製的溫度與應變率）、以及最終力學性能三者之間的關係錯綜複雜，且稀土元素 Gd（釓）的效果對加工歷程高度敏感。傳統的「試製-測試-修正」迭代方式，每一輪都消耗大量資源，開發週期動輒以年計算。機器學習正是用來打破這個瓶頸。
410 筆樣本、六款模型的框架設計邏輯
研究團隊構建了一套資料驅動篩選框架（Data-driven Framework），資料集包含 410 個鎂合金樣本，每筆資料記錄成分、熱機械加工條件與對應的力學測試結果。框架設計有一個關鍵選擇：把降解速率視為設計約束條件而非預測目標——也就是說，只在生物相容性成分範圍內的配方中搜尋，直接把腐蝕安全邊界當作先決條件鎖死，而非另外建立一個腐蝕速率預測模型。
訓練目標鎖定三項核心力學性能：降伏強度（Yield Strength，YS）、極限抗拉強度（Ultimate Tensile Strength，UTS），以及延展率（Elongation，El）。研究者比較了六款不同的機器學習模型，涵蓋線性回歸、隨機森林（Random Forest）、梯度提升（Gradient Boosting）等主流架構，最終以整合式模型（Ensemble Model）表現最為突出。
CatBoost 三項指標 R² 均超過 0.90
六款模型中，CatBoost（Categorical Boosting，類別特徵梯度提升模型）在三項力學性能預測上均達到最高精度。降伏強度 R²=0.950，極限抗拉強度 R²=0.916，延展率 R²=0.903——三項指標全數超過 0.90，意味著模型能捕捉絕大部分的成分-加工-性能變異關係。研究者進一步用獨立實驗資料集做外部驗證，確認模型在未見資料上的泛化能力（Generalization）符合實用要求，而非訓練集上的過擬合。
CatBoost 在此類材料資料集上表現突出，部分原因在於合金資料常含有類別型特徵（如加工方式的類型、熱處理類別）。CatBoost 對這類混合型輸入有原生的處理機制，不需要大量手動特徵工程（Feature Engineering），降低了模型調校的門檻。
SHAP 分析：Zn、Mn、Gd 與加工條件的貢獻排序
訓練出準確模型只是第一步——研究者進一步用 SHAP（SHapley Additive exPlanation，沙普利加法解釋，一種量化每個輸入特徵對預測結果貢獻度的分析工具）拆解各因素的重要性。分析結果顯示，熱機械加工條件是影響力學性能最關鍵的一組因素，重要性超過了單純的成分變化；在合金化元素中，Zn（鋅）、Mn（錳）、Gd（釓）的排名最前。
Zn 和 Mn 的加入會改變固溶強化效果與晶界析出相的分布；Gd 作為稀土元素，對鎂合金的再結晶行為和第二相強化有顯著影響。SHAP 分析的優勢在於不只給出「哪個特徵重要」，還能說明「增加或減少這個特徵對預測值的方向性效應」，為後續的成分設計優化提供了具體的調整依據。
Zn-Mn 成分空間的強度-延展性預測地圖
模型驗證完成後，研究者把 CatBoost 進一步作為虛擬篩選工具，在 Zn-Mn 成分空間中系統性地生成預測屬性地圖（Predictive Property Map）。地圖的 X 軸與 Y 軸分別代表 Zn 與 Mn 的添加濃度，顏色深淺對應預測的強度或延展率數值，直觀呈現不同成分配比下的強度-延展性權衡關係（Strength-Ductility Trade-off）。
這種「in silico 篩選」（電腦虛擬篩選）的核心價值在於：研究者可以在動手製備樣本之前，先從地圖上鎖定最有潛力的成分區間，再針對性安排少量實驗驗證，大幅提升開發命中率。研究者在論文中表示，這個框架為快速設計次世代可吸收鎂合金提供了一條經過驗證的資料驅動路徑。
410 筆資料、R²=0.950，機器學習讓鎂合金「成分-加工-性能」從黑箱變透明，虛擬篩選將成為材料開發的標準前置步驟。