深圳 · 2026.01 – 03
深圳市氟高先进材料有限公司
研究数据分析实习生 · 材料工艺数据建模方向 Research Data Analysis Intern · AI for Materials
公司研发、生产与应用 AF 防指纹镀膜材料,产品性能用水接触角、油接触角、摩擦系数、耐磨次数等量化,真空蒸镀中的真空度、温度、镀膜功率与时间等工艺参数直接影响成膜性能。我把"工艺参数 → 材料性能"这个典型的科学问题,做成可计算的预测与实验决策支持问题。
- 数据重建:先建数据字典,把配方、基材、工艺条件、前处理与性能测量统一成一套 schema;审计 431 条原始记录的重复、缺失目标、单位不一致与工艺可比性,不盲目堆样本,只保留 268 条口径一致的真空蒸镀实验作为建模子集;异常值与领域专家逐条复核,不把"统计罕见"当"数据无效"。
- 建模与评测:用 Python / pandas / scikit-learn 把镀膜性能预测建成监督回归,从线性回归基线起步,再对比 Random Forest、XGBoost;按实验批次分组、按时间顺序做 train / validation / test,测试集在调参阶段完全不碰。初始水接触角 MAE 约 1.41°、耐磨后水接触角 MAE 约 1.55°。
- 决策支持原型:用 Streamlit 做内部原型:输入候选工艺参数、查看预测性能、检索相似历史实验、对比候选条件;对超出历史参数范围的 OOD(分布外)输入做标记而不是硬给精确建议。8 个低风险候选条件做前瞻验证,6 个预测误差在 3° 内,另 2 个追溯到设备状态、批次差异等未记录变量;模型只做建议,最终实验决策留给研究员。
最关键的认知
"异常值 ≠ 错误值;不同工艺的数据不能为了样本量硬混。"
→ 预测精度的上限,往往取决于科学测量的质量与完整性,而不是模型有多复杂;低离线误差 ≠ 因果关系,也不能外推到历史范围之外。