具有可解释性和新型Sr2ScNbO6:Eu3+荧光特性的Eu3+掺杂双钙钛矿氧化物荧光体的多目标预测

《Journal of Luminescence》：Multi-objective prediction of Eu3+ doped double perovskite oxide phosphors with explainability and photoluminescence properties of novel Sr 2ScNbO 6:Eu3+ phosphors

基于结构特征构建数据库并优化机器学习模型，实现了Eu3+掺杂A?BCO?型双钙钛矿磷光材料不对称比和热稳定性的高精度预测（R2分别为0.957和0.857），并通过合成Sr?ScNbO?:Eu3+材料验证模型可靠性。

　　双钙钛矿氧化物因其结构和成分的多样性而受到广泛研究，这些材料通常具有通式 A?BCO?，其中 A 位通常由碱土金属或稀土元素占据，B 和 C 位则由不同种类的金属离子构成。这类材料在发光材料领域具有重要的应用价值，尤其是在掺杂 Eu3? 时，其发光特性能够显著影响材料的性能和应用前景。然而，由于影响发光不对称比（Ratio）和热稳定性（Stability）的因素众多，仅依靠晶体学和成分数据进行准确的定量预测仍然面临巨大挑战。因此，研究者们开始探索数据驱动的方法，以提高预测的准确性和效率。

数据驱动方法被认为是材料研究中的“第四范式”，它通过从大量实验数据和计算结果中提取信息，构建预测模型，从而实现对材料性能的高效预测。这种方法不仅能够揭示材料特性与结构之间的复杂关系，还能显著缩短新材料的设计周期，降低研发成本。近年来，人工智能（AI）技术在材料科学领域的应用取得了显著进展，特别是在预测发光材料的性能方面。通过机器学习算法，研究者可以基于已有的实验数据和结构信息，构建出能够准确预测材料发光特性和热稳定性的模型。

在本研究中，研究人员通过构建一个基于结构特征的数据库，系统地进行特征选择和算法优化，建立了用于预测 Eu3? 掺杂双钙钛矿氧化物 A?BCO?:Eu3? 的 Ratio 和 Stability 的模型。通过大量的数据处理和模型训练，研究团队获得了较高的预测精度，其中 Ratio 的 R2 值达到 0.957，而 Stability 的 R2 值为 0.857，这表明模型具有良好的泛化能力和鲁棒性。为了进一步理解模型的预测机制，研究者采用了 SHAP（Shapley Additive Explanations）方法，对各个结构特征对预测结果的影响进行了量化分析。这种解释方法不仅有助于理解模型的决策过程，还能为后续材料设计提供理论依据。

研究团队还成功合成了一个新的 Sr?ScNbO?:Eu3? 磷光体，并对其 Ratio 和 Stability 进行了实验测量。实验结果表明，该磷光体的 Ratio 和 Stability 与模型预测值之间的误差均小于 2%，这验证了模型的准确性和可靠性。Sr?ScNbO?:Eu3? 磷光体在单斜晶系中结晶，属于 P2?/n 空间群。其发光特性主要由 Eu3? 的 4f 电子结构决定，Eu3? 在发光过程中主要通过 5D? → 7F? 和 5D? → 7F? 两种跃迁方式发出光。其中，5D? → 7F? 是一种允许的磁偶极跃迁，其跃迁概率相对稳定，不受宿主材料的影响；而 5D? → 7F? 则是一种被禁的电偶极跃迁，但其概率会受到宿主材料晶场的影响，因此在不同宿主材料中会有显著差异。基于这一原理，Ratio 被定义为 5D? → 7F? 与 5D? → 7F? 发光强度的比值，该参数不仅反映了发光颜色，还体现了红光区域的颜色纯度。

热稳定性是 Eu3? 掺杂磷光体在实际应用中不可忽视的重要性能指标。影响热稳定性的因素包括宿主材料的结构刚性、局部结构畸变以及热激活能等。这些因素共同决定了磷光体在高温下的发光效率。传统的实验方法通常需要通过多次合成和测试来评估磷光体的性能，这种方法不仅耗时，还伴随着较高的资源消耗和成本。因此，研究者们开始利用数据驱动的方法，通过构建预测模型，实现对磷光体性能的快速评估。

在数据库构建方面，本研究首先筛选了关于 Eu3? 掺杂双钙钛矿氧化物的文献，重点关注那些同时提供了发光光谱和温度依赖发光强度数据的研究。随后，研究人员从 Inorganic Crystal Structure Database（ICSD）和 Materials Project Database 中获取了与分子式相对应的 CIF 文件。CIF 文件包含了材料的晶体结构信息，为后续的结构特征提取提供了基础。接着，利用 VESTA 软件对 CIF 文件进行处理，提取出与 Ratio 和 Stability 相关的结构特征。这些特征包括晶格参数、离子半径、晶场强度、晶格畸变程度等，它们共同构成了模型的输入变量。

在材料制备过程中，研究团队采用了高温固相反应法。具体而言，将 SrCO?、Sc?O?、Nb?O? 和 Eu?O? 按照特定的化学计量比混合，并使用石英研钵进行研磨。为了促进反应的进行，加入了一定量的 H?BO? 作为助熔剂。混合后的粉末被转移至坩埚中，并在高温下进行烧结。通过这一方法，研究人员成功合成了 Sr?ScNbO?:Eu3? 磷光体，并对其发光性能和热稳定性进行了系统测试。

在特征选择方面，研究团队采用了 Spearman 相关系数作为评估方法。Spearman 相关系数用于衡量变量之间的单调关系，与 Pearson 相关系数不同，它不假设变量之间的线性关系，而是通过评估变量之间的排序关系来判断其相关性。这种方法对于处理非正态分布的数据和异常值具有较强的鲁棒性。通过 Spearman 相关系数的分析，研究人员能够筛选出对 Ratio 和 Stability 有显著影响的结构特征，从而避免了“维度灾难”问题，提高了模型的预测能力。

此外，研究团队还对模型的性能进行了系统评估。模型在测试集上的表现非常出色，其中 Ratio 的 R2 值达到 0.957，而 Stability 的 R2 值为 0.857。这两个数值表明，模型在预测 Ratio 和 Stability 方面具有较高的准确性。同时，模型的均方根误差（RMSE）分别为 0.337 和 0.012，进一步验证了其预测能力的稳定性。为了确保模型的可靠性，研究人员还对模型进行了多次验证，包括交叉验证和外部验证，确保其在不同数据集上的表现一致。

在模型的解释方面，研究团队采用了 SHAP 方法，对各个结构特征对预测结果的影响进行了量化分析。SHAP 方法能够揭示每个特征对最终预测结果的贡献度，从而帮助研究者理解哪些结构特征对 Ratio 和 Stability 的影响最为显著。通过 SHAP 分析，研究人员发现，晶格参数、离子半径和晶场强度是影响 Ratio 和 Stability 的关键因素。这些特征的组合能够有效地反映材料的结构特性，并为后续的材料设计提供指导。

本研究的成功不仅在于构建了高精度的预测模型，还在于其在实际应用中的验证。合成的 Sr?ScNbO?:Eu3? 磷光体在实验测量中表现出与模型预测高度一致的 Ratio 和 Stability，这表明该模型具有良好的泛化能力和实际应用价值。此外，该磷光体的热稳定性表现优异，能够满足实际应用中对高温环境的适应需求。这些结果为未来 Eu3? 掺杂磷光体的设计和开发提供了重要的理论依据和实践指导。

综上所述，本研究通过构建结构特征数据库，系统进行特征选择和算法优化，成功建立了用于预测 Eu3? 掺杂双钙钛矿氧化物 Ratio 和 Stability 的机器学习模型。该模型在测试集上表现出优异的预测性能，且通过 SHAP 方法实现了对结构特征影响的量化分析。此外，合成的 Sr?ScNbO?:Eu3? 磷光体在实验测量中验证了模型的准确性，表明该模型在实际应用中具有重要的价值。未来，研究团队将继续优化模型，探索更多影响 Ratio 和 Stability 的结构特征，并将其应用于更广泛的磷光体设计中。