傳統機器學習方法在材料性能預測中常受限于數據稀缺問題，尤其當目標性能樣本量不足時，模型精度難以保證。針對這一挑戰，團隊創新性地構建了“連續遷移”學習策略。該策略首先基于海量材料的形成能數據訓練高精度基礎模型，再通過遷移學習依次預測材料的穩定性、帶隙、體積模量等關鍵性能。當面對僅51條數據的剪切模量預測任務時，團隊進一步以體積模量模型為“跳板”，進行二次遷移，使小數據集下的預測可靠性顯著提升。

通過該框架，研究團隊從1.8萬余種候選材料中，快速篩選出54種兼具高穩定性與優異延展性的無機雙鈣鈦礦涂層材料。其中，六氟合銥酸銫銅材料表現尤為突出。其帶隙值適配光伏應用需求，剪切模量與體積模量比值顯示出高延展性，穩定性測試也驗證了其潛在實用價值。這一成果不僅為鈣鈦礦太陽能電池、光催化等領域提供了候選材料庫，更證明了遷移學習在材料多性能協同優化中的普適性，為其他材料的性能預測與優化提供了可推廣的框架。

據了解，此項研究依托在該校的金屬先進凝固成形及裝備技術國家地方聯合工程研究中心完成，是昆明理工大學在材料信息學領域的又一重要進展，為有效解決傳統機器學習在數據稀缺場景下的性能瓶頸，破解“數據少、任務多”的材料研發難題提供了可推廣的計算工具，也為材料多性能協同優化提供了高效計算范式。