机器学习与大语言模型的金属材料力学性能预测对比

将合金成分与热处理信息分别输入表格回归模型和大语言模型，在统一测试样本上比较强度、屈服强度及伸长率预测。

• 技术与任务机器学习 · 大模型与智能体
• 应用方向信息与人工智能 · 工程与智能制造 · 材料与化学

项目亮点

• 怎样保证两条路线比较同一任务
• 文本化保留了哪些材料信息
• 多输出结果为什么分开看

数据与任务

同一份材料成分表，交给传统回归模型与大语言模型，预测结果会怎样不同？这个项目保留相同的目标与测试记录，将数值特征建模和材料记录文本化两条路线放在一起比较。

先说清楚，它到底在做什么

数据按冶金关系构造 1,200 条合成钢材记录，包含合金元素、回火温度及衍生特征，目标为抗拉强度、屈服强度与伸长率。共享的 50 条留出样本用于路线比较，机器学习使用其余 1,150 条训练记录。

搞懂它，你能在面试里讲清楚什么

怎样保证两条路线比较同一任务

统一目标单位、测试记录与评价指标。表格模型在训练集内调参，大模型采用五样本提示；比较时同时记录各输出误差和结构化返回情况。

文本化保留了哪些材料信息

将元素比例、温度和目标要求写成明确的材料记录，要求模型返回三个数值。提示中的单位、示例选择和输出格式都会影响结果，是可以逐项解释的工程环节。

多输出结果为什么分开看

强度与塑性对应的规律不同，分别报告 R²、RMSE 与 MAE，才能看清每种方法在哪个目标上有效。图表中的较高回归分数对应合成数据生成关系，适合用于研究方法差异与特征作用。

怎样阅读实验与配图

数据概览、预测散点图和多模型热力图展示完整的比较过程。读者可以沿某条材料记录，检查特征如何进入两条路线，再用预测与真实值的偏差解释模型表现。

面试与答辩可以怎样准备

数值模型与文本模型怎样共享同一测试口径？

为什么三个力学目标需要分别评价？

合成数据上的结论如何界定适用范围？

配套讲解材料围绕整体思路、关键步骤与结果解读展开，并提供面试问答与简历表达参考。准备时可以先按流程说明输入和输出，再选一个样例解释方法，最后用结果图回答具体问题。简历描述结合实际参与内容调整，配图可以放入 PPT 模板组织汇报。

配套资料

技术文档从任务背景、数据组织讲到模型与实验，再结合图表解释结果，包含面试问答和项目表达参考。下面展示正文选页，便于了解讲解内容与图文组织。

代码覆盖数据处理、核心方法和实验分析。下面是实际源码中的关键函数节选，可以结合文档中的流程与公式阅读，再沿输入、计算与输出理解具体实现。

适合谁

材料、机械、人工智能与大模型应用方向，适合学习表格回归及跨方法实验比较。 项目资料可用于学习、选题交流与面试答辩准备；沿着数据、方法、实验和解释逐步掌握，形成能够独立讲清楚的项目经历。