고엔트로피 탄화물 세라믹상 예측

고엔트로피 탄화물 세라믹(HECC)은 극한 고온 환경에서 유망한 특성을 보이지만, 신소재 발견 가속화를 위한 기계 학습 적용 시 데이터 불균형 문제가 예측 성능을 저해합니다. 본 연구는 이러한 문제를 해결하기 위해 Borderline-SMOTE 기법을 기계 학습 알고리즘과 통합했습니다. 문헌, 실험 합성 및 합성 과표집을 통해 251개 샘플을 포함하는 데이터셋을 구축했으며, 4단계 특징 선택 전략으로 상 형성에 영향을 미치는 핵심 특징을 선별했습니다. 이후 10가지 일반적인 기계 학습 모델을 훈련 및 최적화하여 HECC 상 형성 능력 예측에 가장 적합한 랜덤 포레스트(RF) 모델을 도출했습니다. 불확실성이 높은 8가지 HECC 조성을 실험적으로 검증하고, 그 결과를 데이터셋에 다시 통합하여 모델 정확도를 반복적으로 개선했습니다. 이 과정은 모델의 신뢰성을 높이는 데 기여했습니다. 본 연구는 특히 작거나 불균형한 데이터셋에서 HECC의 상 형성을 예측하는 효율적인 전략을 제시합니다. 이는 새로운 HECC의 설계 가속화와 신뢰성 있는 예측을 가능하게 하여 첨단 소재 개발에 기여할 것으로 기대됩니다.