4、特征工程基础：材料学特征提取、元素属性编码、结构描述符生成
做材料AI项目，有个环节特别容易被忽视——特征工程。
很多人一上来就调模型，结果发现精度上不去。我早期也踩过这个坑。后来才明白，模型只是骨架，特征才是血肉。你喂进去的是垃圾，出来的必然是垃圾。这个道理，在材料科学里尤其明显。
4.1 材料学特征提取：从原始数据到可用特征
材料数据长什么样？说白了，就是一堆成分、结构、工艺参数，外加对应的性能指标。但计算机不认识这些。它只认数字。
所以第一步，就是把材料学知识翻译成机器能理解的语言。
我常用的特征提取思路有三条：
- 成分特征：元素种类、原子百分比、质量分数。这些是最基础的。
- 工艺特征：温度、压力、保温时间、冷却速率。别小看这些，有时候工艺比成分还重要。
- 结构特征：晶粒尺寸、相含量、缺陷密度。这些需要实验或计算得到。
举个例子。预测合金的屈服强度，你可能会想到加入“晶粒尺寸”。但晶粒尺寸和强度之间不是线性关系，而是经典的Hall-Petch关系。这时候，直接输入晶粒尺寸不如输入它的倒数平方根。这就是特征工程的意义——把物理规律编码进去。
4.2 元素属性编码：把元素周期表变成数字
材料科学里最头疼的问题之一：元素怎么表示？
你不能直接把“Fe”、“Ni”、“Cr”扔给模型。模型会以为这些是三个类别，彼此之间没有关系。但事实上，Fe和Ni在周期表上挨着，性质相近；Fe和O则天差地别。
我常用的编码方式有这几种：
| 编码方法 | 原理 | 优缺点 |
|---|---|---|
| One-hot编码 | 每个元素一个维度，出现为1，否则为0 | 简单，但维度爆炸，且丢失元素间关系 |
| 元素属性向量 | 用原子半径、电负性、价电子数等物理属性组成向量 | 保留了物理意义，但属性选择依赖经验 |
| Matscholar嵌入 | 基于材料文献预训练的嵌入向量 | 效果好，但需要预训练模型 |
| 周期表位置编码 | 用周期和族的位置作为二维坐标 | 直观，但精度有限 |
我个人最推荐的是元素属性向量。为什么？因为它可解释性强。你想想看，当模型预测某个合金性能好时，你可以回溯到是哪个属性起了作用——是电负性匹配得好，还是原子尺寸差异合适？这对材料科学家来说，太重要了。
避坑指南： 我曾经用One-hot编码做高熵合金预测，结果模型完全学不到规律。后来换成元素属性向量，精度直接提升了15%。原因很简单——One-hot把元素当成独立个体，但高熵合金的性能恰恰取决于元素之间的相互作用。
代码实现其实不复杂。我一般这样写：
# 元素属性字典示例
element_properties = {
'Fe': {'atomic_radius': 1.24, 'electronegativity': 1.83, 'valence_electrons': 8},
'Ni': {'atomic_radius': 1.24, 'electronegativity': 1.91, 'valence_electrons': 10},
'Cr': {'atomic_radius': 1.28, 'electronegativity': 1.66, 'valence_electrons': 6},
}
def encode_composition(composition):
"""将成分字典编码为特征向量"""
features = []
for element, fraction in composition.items():
props = element_properties[element]
# 按原子分数加权
features.extend([fraction * v for v in props.values()])
return features4.3 结构描述符生成：捕捉材料的微观世界
成分搞定了，但材料科学里还有个大问题——结构。同样的成分，不同的结构，性能天差地别。石墨和金刚石都是碳，但一个软一个硬，对吧？
结构描述符，就是用来捕捉这种差异的。
常见的结构描述符包括：
- 径向分布函数（RDF）：描述原子周围其他原子的分布概率。我常用于非晶材料。
- 角度分布函数（ADF）：描述原子键角分布。对分子晶体特别有用。
- 对称函数（Behler-Parrinello）：专门为神经网络设计的描述符。做势函数拟合时必用。
- 图结构特征：把原子看成节点，键看成边。用图神经网络处理。
这里我想重点说说径向分布函数。为什么？因为它简单、直观、有效。
RDF本质上就是统计：在距离某个原子r处，找到其他原子的概率是多少。对于晶体，RDF会有尖锐的峰；对于非晶，峰是宽化的。这个差异，模型能学出来。
注意： 结构描述符的维度通常很高。比如RDF，如果你取0.1Å的步长，到10Å范围，就是100维。再加上不同元素对之间的RDF，维度会爆炸。我建议先用主成分分析（PCA）降维，或者只保留前几个主要峰的位置和强度。
说到图结构特征，这几年特别火。你想想看，材料本质上就是一个图——原子是节点，化学键是边。用图神经网络（GNN）来处理，简直是天作之合。
但我得提醒一句：GNN不是万能的。我做过对比实验，对于成分简单的体系（比如二元合金），传统特征工程+随机森林的效果反而比GNN好。只有在结构复杂、原子种类多的时候，GNN的优势才体现出来。
4.4 知识体系总览
说了这么多，我画了一张图，帮你把整个特征工程的脉络理清楚：
这张图把特征工程的三个核心模块串起来了。从左到右，从成分到结构，基本覆盖了材料科学AI项目的大部分场景。
我的建议： 刚开始做项目时，先从特征提取入手。把成分和工艺特征做扎实了，再考虑结构描述符。别一上来就搞GNN，先把基础打牢。我见过太多人把简单问题复杂化，结果模型反而不好用。
嗯，特征工程这块内容确实不少。但说白了，核心就三件事：提取什么、怎么编码、如何描述结构。把这三件事想清楚了，后面的建模就是水到渠成的事。
公众号:蓝海资料掘金营，微信deep3321