沥青材料是沥青路面服务韧性的关键基础（Zhou等人，2025年）。道路基础设施的迅速扩张要求提高沥青材料的性能。策略性地加入添加剂是确保路面服务性能的有效方法。其中，苯乙烯-丁二烯-苯乙烯（SBS）共聚物是最广泛使用的聚合物改性剂（Yan等人，2020年；Ren等人，2018年；Guo等人，2020年；Chen等人，2021年）。
制备参数是决定改性沥青性能的关键因素。对于SBS改性沥青（SBSMA），包括SBS用量、剪切温度、剪切速率和剪切时间在内的因素的变化直接影响SBS的形态、分散状态和相互作用机制，从而决定了抗裂性、弹性和变形韧性等关键性能（Cao等人，2020年；Zhou等人，2021年；Zhang等人，2019年；Dong等人，2014年；Yuan等人，2022年；Lin等人，2017年；Singh等人，2018年；Kaya等人，2020年）。尽管已经阐明了制备参数在多个尺度上的机械影响，但实际配方仍然依赖于基于试错的正交实验来确定最佳制备条件和材料性能。这一过程需要复杂的表征方法来直接测量许多性能指标，这需要专业人员、昂贵的仪器和大量劳动力，从而阻碍了高性能材料的发展。因此，大量研究工作集中在建立快速准确的预测方法上，以解决这些限制。
机器学习（ML）和深度学习（DL）技术的最新进展显著促进了范式的转变（Jiang等人，2022年；Roy和Bhaduri，2022年，2023年；Roy等人，2022年，2023年；Singh等人，2023年）。ML和DL技术已越来越多地应用于沥青材料研究（Hosseini等人，2021a；Zhang等人，2025a），为快速性能预测提供了有希望的替代方案。传统的ML模型，包括人工神经网络（ANNs）、支持向量机（SVM）、集成学习和梯度提升方法，与传统的回归方法相比，显示出更高的准确性。这些模型已成功用于基于制备参数或材料描述符预测流变性能、动态模量和其他性能指标。最近，结合注意力机制和混合学习策略的最先进的深度学习架构在复杂的工程和环境系统中进一步增强了预测能力和鲁棒性，这一点在各种应用领域得到了证明。
尽管取得了这些进展，但大多数现有的基于ML的沥青性能预测方法采用直接映射范式（Zhang等人，2025b，2025c；Zhong等人，2022年；Hoang等人，2022年），在这种范式中，制备参数或材料描述符直接与宏观性能指标相关联。这些模型隐含地假设可以在不显式考虑中间微观结构演变的情况下捕捉制备条件与性能之间的关系。然而，从材料科学的角度来看，制备参数主要通过微观结构变化（包括SBS分散、膨胀和化学相互作用）影响沥青性能。忽略这一中间尺度会限制预测模型的可解释性和鲁棒性，特别是在输入不确定或外推情况下。
一些研究尝试将微观结构或光谱信息（如傅里叶变换红外（FTIR）指数或形态描述符）纳入ML模型。虽然这些方法在一定程度上提高了预测准确性，但微观结构特征通常被视为额外的平面输入，而不是层次化建模框架中的中间状态。因此，制备参数、微观特性和宏观性能之间的内在跨尺度关系仍然受到较弱的限制，当微观层面的不确定性传播到宏观层面输出时，预测稳定性可能会恶化。
为了解决这些限制，越来越需要跨尺度学习框架，这些框架明确地模拟了从制备参数到微观结构特性，再到宏观性能的层次化信息传递。对于SBSMA系统来说，这些框架尤为重要，因为微观特性在物理上是有意义的中间体，而不是独立的描述符。此外，注意力机制提供了一种强大的手段，可以选择性地强调跨尺度上的关键特征和相互作用，从而提高预测准确性和鲁棒性。
为了解决这些差距，本研究利用了关于SBSMA制备因素的广泛研究，开发了一种新的性能预测模型，该模型结合了跨尺度机制——称为跨尺度注意力网络（CSA-Net）。该网络具有两个分支：一个微观特性预测分支和一个宏观性能分支。微观分支接收制备参数，并通过集成多头注意力机制的神经网络处理这些参数，以生成经过注意力处理的制备特征并预测微观特性。后续层采用类似的架构从预测的微观特性中派生出经过注意力处理的微观特征。最后，将经过注意力处理的制备特征和微观特征连接起来，通过神经网络处理以预测宏观性能。这种层次化架构为SBSMA粘合剂的性能建立了高准确性和高鲁棒性的预测模型。
本研究的主要贡献可以总结如下：
1提出了一种新的SBS改性沥青制备的跨尺度学习范式，在该范式中，制备参数、微观特性和宏观性能通过层次化建模框架明确关联，而不是作为独立的或直接映射的变量。
2开发了一种跨尺度混合注意力网络（CSA-Net），该网络具有两个多头注意力模块，分别捕捉制备-微观结构和微观结构-性能关系，实现了有效的跨尺度特征融合和知识传递。
3.通过复合损失函数实现了微观和宏观层面预测任务的联合优化，该函数使用物理上有意义的微观特性表示来约束宏观性能预测，从而提高了预测准确性和鲁棒性。
4.建立了一个包含864个SBSMA样本的全面实验数据集，涵盖了广泛的制备参数、微观结构描述符和宏观性能指标，为跨尺度数据驱动建模提供了可靠的基础。
5.广泛的消融研究和蒙特卡洛模拟表明，CSA-Net在模型鲁棒性方面始终优于单尺度、多尺度和非注意力基准模型，特别是在输入扰动的情况下。
