合金材料在现代制造业中发挥着关键作用，广泛应用于航空航天、汽车制造、电子设备等多个领域。合金的性能直接影响到产品的质量和使用寿命，所以开发高性能合金材料的需求愈加迫切。随着计算材料科学的发展，数据驱动的方法在合金成分设计中逐渐受到重视，特别是机器学习和深度学习技术的应用，为合金成分预测开辟了新的视角。 现有的合金成分预测模型在处理不同实验设备或不同模拟方法生成的数据分布不一致的情况下，常常表现出较差的泛化能力。这导致合金成分预测模型在目标域上的性能下降，从而限制了其在实际应用中的推广和使用。解决因数据分布不一致而导致的性能衰退问题，成为提升合金成分预测准确性的一项重要挑战。 当前，常用的合金成分预测方法主要依赖于传统的机器学习模型，这些模型通常需要大量高质量的标注数据，并且对数据分布的假设较为严格。合金材料的多样性和复杂性使得获取足够的标注数据往往困难且成本高昂。单一模型在处理不同数据分布的任务时，容易出现过拟合和泛化能力不足的问题，难以充分利用跨域数据进行有效预测。