Nature子刊：可解释机器学习方法用于快速搜索光催化剂

机器学习（ML）与高通量（HT）计算耦合的方法不仅可以加速寻找期望的材料，而且还能揭开底层过程的物理原理。然而，此类研究通常无法确定所发现的关键设计原则的来源，即除了发现有前途的材料外，并没有推进科学知识的发展。

图1. 本研究中的ML工作流程

在此，印度科技学院Abhishek K. Singh等人设计了一种直观的方法，通过 SHapley Additive exPlanations (SHAP) 值解释这种不透明的ML模型，并将它们与HT方法相结合以寻找有效的二维水分解光催化剂。作者开发了一个包含3099 种2D材料的新数据库，这些材料由以八面体几何形状连接到六个配体的金属组成，称为 2DO（八面体2D材料）数据库。

ML模型是使用基于成分和化学硬度的特征的组合构建的，以深入了解热力学和整体稳定性。最重要的是，它结合了元素和结构特征的优点，区分了键连接性不同的同构2DO材料的目标特性。

图2. 构建的2DO数据库

可解释的 ML 回归、分类和数据分析导致了一个新假设，即高度稳定的2DO材料遵循软硬酸碱理论（即HSAB原理）。基于可见光区域内合适的带隙和使用GW方法相对于标准氧化还原电位的带对齐，进一步筛选了最稳定的2DO材料，最终产生了21种潜在的候选材料。

具有化学硬-软或软-软相互作用的2DO 材料具有最佳的GW带隙，而硬-硬相互作用使它们不适合收集可见光。此外，作者发现 HfSe₂和ZrSe₂具有接近其理论极限的高太阳能到氢气的转换效率。本研究提出的利用元素和化学硬度特征的方法还可以发现其他用于一系列应用的有前途材料。

图3. 分析有前景的2DO光催化剂

Chemical hardness-driven interpretable machine learning approach for rapid search of photocatalysts, npj Computational Materials 2021. DOI: 10.1038/s41524-021-00669-4

Nature子刊：可解释机器学习方法用于快速搜索光催化剂

相关推荐