近日，我校高性能金属材料团队在材料领域顶级期刊《Advanced Science》发表了题为“Data-driven fatigue prediction of superalloys: a novel strategy integrating transfer learning and partial label learning for addressing ambiguous data”的研究型论文，提出了一种结合“迁移学习”和“部分标签学习”的新型策略，用于高温合金性能预测与设计。论文第一作者为我校材料学院博士研究生吕浩鹏同学，通讯作者为我校材料学院吴大勇副教授、苏孺教授以及上海交通大学饶梓元副教授。

高温合金是航空发动机等高端装备的关键材料，其疲劳寿命预测对于保障设备安全至关重要。然而，在实际研究与应用中，材料的关键数据常有缺失，这严重制约了传统机器学习方法的预测能力。针对这一挑战，高性能金属材料团队创新性地将“迁移学习”与“部分标签学习”相结合，构建了一个能够高效处理不完整性数据的机器学习框架。该方法的核心优势在于能够从模糊的数据中精确“反演”出合金的真实组成。研究结果表明，基于被该策略“修复并增强”的高质量数据，疲劳性能预测模型的准确性和泛化能力均得到显著提升。这项工作不仅为解决材料科学中普遍存在的“数据不完整性”问题提供了新思路，也为未来高性能合金的设计与可靠性评估等方面具有重要指导意义。

该研究得到了国家自然科学基金、河北省重点研发计划的资助。

论文链接：http://doi.org/10.1002/advs.202507362