PolyGraphCL: A Multi-View Graph Contrastive Learning Framework for Grain-Level Fatigue Damage Prediction in Polycrystalline Materials
Notice bibliographique
Résumé
Accurately predicting fatigue damage at the grain scale in polycrystalline materials is challenging, primarily due to the complex microstructural topology, anisotropic deformation, and severe class imbalance caused by the rarity of slip-band-marked damage events relative to the vast population of intact grains. Conventional machine learning methods and single-view graph neural networks often lack the capacity to model such heterogeneity across scales. To bridge this gap, we introduce PolyGraphCL, a novel multi-view graph contrastive learning framework integrating heterogeneous inductive biases from three backbones—Graph Convolutional Network for localized neighborhood aggregation, Graph Attention Network for globally attentive interactions, and Graph Sample and Aggregate for multi-scale sampling. These diverse structural views, derived from applying different graph neural network architectures to the same input graph, are fused through a learnable attention mechanism, enabling dynamic weighting of view-specific representations per node to capture both fine-grained and holistic structural characteristics. To further address extreme label imbalance, we incorporate cross-view contrastive learning that aligns intra-node representations across views while repelling inter-node embeddings, facilitating the formation of class-discriminative manifolds. Evaluated on a ferritic steel microstructure dataset comprising 7,633 grains (311 damaged) with 100 descriptors per node, PolyGraphCL achieves an average F1 score of 0.8816±0.0505 and balanced accuracy of 0.7788±0.1606 under stratified five-fold cross-validation-surpassing both conventional machine learning baselines and single-view graph neural networks. Furthermore, GNNExplainer-based attribution reveals that PolyGraphCL’s predictions are predominantly governed by local stress concentration, with moderate influence from topological substructures, offering interpretable insights grounded in underlying physical mechanisms. Altogether, PolyGraphCL offers a robust, interpretable, and domain-adaptive framework for advancing data-driven fatigue prediction in computational materials science.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,003 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».