可解释的机器学习技术提升了镁硼氢化物氢储存系统的性能

《Journal of Magnesium and Alloys》：Interpretable machine learning enables high performance of magnesium borohydride hydrogen storage system

氢储运材料研究：基于多组学注意力机制的镁硼氢化物协同掺杂体系性能预测与机理分析

　　这项研究聚焦于镁硼氢化物（Mg(BH?)?）在氢储存领域面临的缓慢动力学问题，提出了一个创新的机器学习模型，用于预测其氢释放行为。Mg(BH?)?作为高容量氢储存材料，理论容量达到14.9 wt%，具备显著的热力学优势。然而，其实际应用中，氢释放过程受到B-H共价键断裂的高能垒限制，且复杂的反应路径可能产生一系列不可逆的中间相，使得实际性能与理论预测存在差距。为了克服这些挑战，研究者首次引入了一种基于多头注意力机制的神经网络模型（MAR），并将其应用于预测Mg(BH?)?系统在不同条件下的氢释放行为，包括温度程序脱氢（TPD）、等温脱氢（isoDEH）和循环脱氢（cycDEH）。该模型在预测精度上显著优于传统机器学习方法，同时通过可解释性分析对影响氢释放过程的关键变量进行了排序，并识别了关键变量的阈值，为实验参数设计提供了指导。

在实验部分，研究者收集了来自多篇文献的Mg(BH?)?氢释放动力学数据，并通过数据预处理步骤对这些数据进行了标准化、去重和缺失值处理。为了提高数据的适用性，对分类变量（如催化剂和氢化物类型）进行了独热编码（One-hot encoding），并采用归一化方法（包括Min-Max归一化和Z-score标准化）确保所有特征在同一尺度上，以提高模型的训练效果。在模型构建过程中，研究者采用了一种基于自注意力机制的神经网络结构，避免了传统循环神经网络（RNN）和卷积网络（CNN）可能存在的序列对齐限制，使得模型能够更高效地并行处理输入特征，从而提升其预测能力。

模型的训练过程中，研究者将数据集随机划分为训练集和测试集，比例为7:3，并进行了三次重复实验以验证模型的泛化能力。在训练和测试过程中，研究者采用了多头注意力机制，使得模型能够在不同输入特征之间建立复杂的依赖关系，同时通过Dropout技术防止模型过拟合。此外，研究者还对不同数据集（TPD、isoDEH和cycDEH）的特征重要性进行了分析，并通过SHAP（Shapley Additive Explanations）值进一步揭示了关键变量的贡献。这些分析表明，氢释放温度、球磨时间和催化剂或氢化物类型等变量对Mg(BH?)?的氢释放行为具有重要影响，而这些变量在不同脱氢条件下可能表现出不同的敏感度。

在模型评估阶段，研究者将MAR模型与多种传统机器学习方法（如线性回归、支持向量回归、随机森林等）进行了比较。结果显示，MAR模型在预测精度上表现优异，其预测误差范围最小，且能够更准确地捕捉数据中的复杂关系。此外，研究者还通过实验验证了模型的预测结果，并发现氟化石墨（FGi）对Mg(BH?)?的氢释放行为具有显著的催化作用。通过优化实验参数，研究团队成功制备了Mg(BH?)?-LiBH?-FGi（ML-FGi）系统，并验证了其氢释放性能与模型预测高度一致。

为了进一步理解FGi与LiBH?之间的协同作用机制，研究者进行了系统的结构表征，包括X射线衍射（XRD）、傅里叶变换红外光谱（FTIR）、X射线光电子能谱（XPS）以及透射电子显微镜（TEM）等。这些分析揭示了FGi在氢释放过程中与LiBH?之间可能发生的相互作用，如F?离子对Mg和Li阳离子的协调作用，以及B-H键的弱化。同时，实验结果显示，ML-FGi系统能够实现更低的初始脱氢温度和更高的氢释放容量，为Mg(BH?)?在氢储存领域的实际应用提供了新的可能性。

研究还探讨了不同催化剂和氢化物的协同作用机制，发现通过合理选择催化剂和氢化物类型，可以有效降低脱氢温度并提升氢释放效率。例如，某些催化剂能够在脱氢过程中形成具有催化活性的金属物种，而某些氢化物则通过改变反应路径和提高反应速率，从而优化整体性能。此外，球磨时间和球磨速度等合成参数也被证明对氢释放行为具有重要影响，适度的球磨过程能够细化材料颗粒并促进催化剂与基质的均匀分布，而过长的球磨时间则可能导致催化剂活性损失或形成不期望的副产物。

值得注意的是，该研究不仅关注单一催化剂或氢化物的优化，还探索了多组分共掺杂策略，以实现更复杂的性能提升。研究团队构建了一个包含5256个数据点的共掺杂数据集（CC数据集），并利用MAR模型对这些系统进行了预测，结果表明，某些共掺杂组合能够显著提高氢释放性能。例如，通过合理选择催化剂和氢化物的配比，研究团队发现氟化石墨（FGi）与LiBH?的组合在脱氢性能方面表现出色，不仅降低了初始脱氢温度，还提升了氢释放容量。

此外，研究团队还通过实验验证了这些预测结果，并对实际样品进行了详细的结构分析。实验结果表明，ML-FGi系统能够实现高达8.5 wt%的氢释放容量，其性能优于其他传统系统。通过XRD和FTIR分析，研究团队发现FGi与LiBH?之间的相互作用可能导致了B-H键的弱化，从而促进了氢的释放。同时，XPS和TEM分析进一步揭示了FGi对Mg(BH?)?系统结构的优化作用，如细化材料颗粒、促进催化剂的均匀分布以及抑制颗粒生长和聚集。

这项研究的创新之处在于，首次将多头注意力机制应用于Mg(BH?)?系统的氢释放行为预测，通过可解释性分析，不仅提升了模型的预测能力，还揭示了影响性能的关键变量及其阈值。这种方法为未来研究提供了新的工具，使研究人员能够在复杂的变量空间中更高效地筛选出具有潜力的材料系统。此外，研究还强调了机器学习在高容量氢储存领域的广泛应用前景，特别是在应对复杂的反应路径和多变量相互作用方面。

尽管该研究取得了显著成果，但仍存在一些局限性。例如，当前的数据集可能尚未覆盖所有可能的变量组合，因此未来的研究可以进一步扩展数据集，以提高模型的泛化能力。此外，研究团队建议未来可以结合大规模语言模型（LLM）等更先进的机器学习方法，以处理更高维度的数据并提升预测能力。通过不断优化数据集和模型结构，机器学习有望在未来成为氢储存材料研究的重要工具，为实现高效、安全的氢能利用提供强有力的支持。