综述：从算法到应用：机器学习在计算材料科学中的全面综述

这篇综述系统探讨了机器学习（ML）与材料基因组计划的融合如何推动材料信息学发展，重点分析了监督/无监督学习在材料性能预测模型中的应用（如合金回归模型、半导体高通量深度学习筛选），并剖析了数据稀缺、高维性、计算开销及模型可解释性等核心挑战。文章为研究者提供了算法优化、特征选择、评估指标设计的前沿视角，强调可解释模型与领域知识结合的未来方向。

　　

Abstract

近年来，机器学习（ML）与材料基因组计划的协同效应彻底改变了传统材料科学的复杂研究范式。通过监督学习（如随机森林、支持向量机）和无监督学习（如聚类、降维）的双轨并行，研究者已构建出高效的材料性能预测框架。其中，基于梯度提升树的合金弹性模量预测模型（R²>0.92）和卷积神经网络（CNN）驱动的半导体带隙高通量筛查系统尤为突出。

算法效率与挑战

材料数据的独特性质导致ML应用面临三重壁垒：① 实验数据稀缺性（<100样本/类常见）；② 特征空间高维性（DFT计算衍生>10³描述符）；③ 物理机制黑箱化。针对此，研究者开发了基于遗传算法的特征选择器（GA-SELECT）和注意力机制增强的图神经网络（GNN），将计算成本降低60%的同时保持ΔE_form预测误差<0.1eV。

领域定制化方案

材料信息学特有的解决方案包括：

• •

  晶体对称性编码的SchNet架构

• •

  迁移学习缓解小样本问题的MEGNet框架

• •

  基于SHAP值的相变温度可解释性分析

未来方向

趋势明显指向：① 融合密度泛函理论（DFT）的混合建模；② 主动学习驱动的自动化实验闭环；③ 材料知识图谱（MKG）嵌入的因果推理。正如文中所述："当ML模型能同时解读电子云重排机制时，真正的颠覆性材料发现才会到来。"