La calibración precisa de los parámetros materiales en los modelos de plasticidad cristalina es esencial para aplicar simulaciones de plasticidad cristalina (CP). Identificar estos parámetros generalmente requiere experimentos de cristal único poco viables o costos de tiempo elevados debido al uso de la optimización tradicional mediante algoritmos genéticos (GA). Este estudio propuso un método eficiente e interpretable para calibrar los parámetros constitutivos con pruebas mecánicas macroscópicas. Este enfoque utilizó el método de optimización asistida por un modelo sustituto basado en redes neuronales bayesianas (BNN) y GA (SGA) para identificar un grupo de parámetros constitutivos que pueden reproducir la curva de esfuerzo-deformación experimental y la orientación cristalográfica mediante simulación de plasticidad cristalina. El enfoque propuesto se realizó en la calibración de parámetros materiales típicos de aleaciones de alta entropía en dos modelos CP diferentes. El uso del modelo sustituto reduce el conteo de llamadas a la simulación en el proceso de búsqueda de parámetros y acelera significativamente la calibración. Con la ayuda del muestreo de relleno, la precisión de este método de optimización es consistente con la simulación CP y no está limitada por la precisión del modelo sustituto. Otro mérito de este método es que el patrón que el modelo sustituto BNN encontró en los parámetros del modelo puede ser interpretado con sus gradientes integrados, lo que nos ayuda a entender la relación entre los parámetros constitutivos y la respuesta mecánica de salida. La interpretación de BNN puede guiar el diseño de experimentos adicionales para desacoplar parámetros particulares y agregar restricciones proporcionadas por el experimento adjunto o el conocimiento previo.