用于设计基于 (K, Na)NbO3 的压电陶瓷的可解释机器学习方法：结合组合描述符与知识嵌入技术

《ACS Applied Materials & Interfaces》：Interpretable Machine Learning for the Design of (K, Na)NbO3-Based Piezoceramics Using Combinatorial and Knowledge-Embedded Descriptors

KNN陶瓷压电性能优化通过机器学习框架分析特征非线性及交互作用，利用SHAP方法确定关键参数（如1105℃烧结温度），结合特征组合算法提升模型可解释性，实现MAE<30 pC/N和R2>0.9的预测精度，为材料设计提供新范式。

　　

通过化学改性可以有效增强基于钾钠铌酸盐（KNN）的陶瓷的压电性能。然而，由于掺杂剂种类繁多且缺乏高效、合理的筛选方法，寻找具有预期性能的KNN材料一直面临挑战。在本研究中，我们开发了一个可解释的框架，用于分析影响基于KNN的陶瓷的压电常数d₃₃的机器学习（ML）预测的关键因素。利用Shapley Additive exPlanations方法，我们定量分析了这些因素对d₃₃推断的非线性和交互效应。所识别的临界点（例如烧结温度为1105°C）有助于指导压电性能的提升。此外，我们采用了Sure Independence Screening和Sparsifying Operator技术将这些因素与各种数学运算符结合，得到了与d₃₃近似线性相关的组合描述符。由两个此类组合描述符组成的透明线性表达式的性能与使用单个特征训练的“黑盒”模型相当。更重要的是，这些组合描述符显著提升了ML模型的性能，达到了MAE < 30 pC/N和R² > 0.9的优异指标。本研究强调了合理设计材料特征对于确保ML的可解释性和性能的重要性。我们的发现从以特征为中心的角度，为理解KNN基陶瓷中d₃₃性能提升的复杂机制提供了宝贵的见解。