用于晶体氢化物中氢脱附焓预测的物理一致且可解释的晶体图神经网络

《International Journal of Hydrogen Energy》：Physically consistent and explainable crystal graph neural networks for hydrogen desorption enthalpy prediction in crystalline hydrides

　　

• •
  十种用于储氢的晶体图神经网络统一基准测试。
• •
  SphereNet 实现了最高精度（R2 = 0.8135，MAE = 17.18 kJ/mol H?）。
• •
  在熵权 TOPSIS 多准则评估中，Equiformer 排名第一。
• •
  可解释性揭示了局部配位是主要预测因子。
• •
  标准化、可解释且物理一致的 AI 基准测试框架。

引言

结晶金属氢化物是最有前景的固态储氢材料之一，因为它们具有高体积氢密度、优异的安全特性以及可逆的氢吸收 - 脱附行为 [1]。然而，其实用性主要取决于氢脱附焓（ΔH），这决定了操作过程中氢释放所需的温度和能量 [2]。脱附焓过低的材料会导致氢保持能力差，而过高的值则会阻碍在实际操作条件下释放氢 [3]。因此，准确预测氢脱附焓已成为下一代储氢材料计算发现和优化的关键挑战之一 [4]。

密度泛函理论 (DFT) 通过能够可靠地估算数千种结晶化合物的热力学性质，极大地加速了计算材料发现 [5]。结合开放量子材料数据库 (OQMD) 等大规模数据库，这些计算为数据驱动的材料设计创造了前所未有的机会 [6]。与此同时，机器学习已成为一种有效的替代方案，可以在不重复进行计算成本高昂的第一性原理计算的情况下快速预测材料性质 [7]，[8]。然而，传统的机器学习模型通常依赖于人工设计的成分描述符，无法完全捕捉决定储氢行为的复杂三维原子环境 [9]，[10]。晶体图神经网络 (CGNNs) 通过直接从晶体结构中学习来解决这一限制，允许将原子连接性、局部配位环境和几何相互作用纳入表示学习过程 [11]，[12]。因此，最近提出了许多图神经网络架构，包括消息传递网络、E(3)-equivariant 模型、方向图网络和图变换器，用于预测多种材料性质 [13]，[14]。

尽管晶体图神经网络的预测能力有了显著提高，但确定哪种架构真正为氢脱附焓预测提供了优越的性能仍然困难 [15]，[16]。现有研究通常评估不同的数据集，采用不同的预处理流程，使用不同的协议构建晶体图，采用不同的优化策略，并在不同的验证方案下报告结果 [17]，[18]。因此，报告的性能差异往往反映了方法论的不一致，而非真正的架构优越性 [19]，[20]，[21]。这一挑战对于氢脱附焓预测尤为相关，因为可用的氢化物数据集可能在目标范围内表现出不均匀的表征，同时具有广泛的 ΔH 值分布 [15]，[16]，[17]，[18]。这些特征可以增加回归性能对数据划分、预处理和验证设计的敏感性，从而进一步复杂化竞争架构之间的客观比较 [15]，[16]，[17]，[18]，[19]，[20]，[21]。此外，模型评估通常仅限于预测精度，而可解释性和物理一致性受到的关注要少得多 [22]，[23]。可靠的材料科学人工智能不仅需要准确的预测，还需要透明的决策机制以及与已建立的晶体化学原理保持一致的学习表示 [24]，[25]。没有标准化的基准测试和可物理解释的分析，当前晶体图神经网络模型的实际可靠性仍然难以评估 [26]，[27]。

本研究提出了一个用于结晶氢化物氢脱附焓预测的统一、可解释且物理一致的基准测试框架。具体来说，该研究解决了三个科学问题：(Ⅰ) 在相同实验条件下评估时，哪种晶体图神经网络架构为氢脱附焓预测提供了最准确和稳定的预测；(Ⅱ) 几何表示和消息传递机制的差异是否导致预测性能和多准则模型排名的可测量差异；以及 (Ⅲ) 这些架构学到的结构特征是否可化学解释，并且与决定储氢行为的已建立物理化学关系一致。为了回答这些问题，使用了一个精心策划的数据集，包含从 OQMD 提取的 817 个独特结晶氢化物，在相同的预处理程序、辅助物理化学描述符、优化设置和无泄漏五折交叉验证协议下评估了十种最先进的晶体图神经网络架构。除传统的回归指标外，使用熵权 TOPSIS 评估模型鲁棒性，以提供竞争架构的客观多准则排名。此外，采用 GNNExplainer、Integrated Gradients 和 GraphSVX 来调查键级、原子级和图级决策机制，而物理一致性分析检查了学到的结构表示是否保留了涉及局部配位环境、化学键合和电负性的已建立关系。通过在相同的受控框架内解决预测性能、架构差异、可解释性和物理一致性，本研究为评估现代晶体图神经网络及其在人工智能驱动的储氢材料发现中的后续应用提供了更可靠的依据。

章节摘要

方法论

建立了统一基准测试协议，以在相同实验条件下评估用于氢脱附焓预测的晶体图神经网络架构。方法论包括数据集构建和质量控制、晶体结构表示、标准化模型开发、无泄漏评估、统计性能分析、可解释性分析和物理一致性评估。每种架构都使用相同的数据进行训练

结果

本节展示了遵循无泄漏评估协议后从策划的结晶氢化物数据集中获得的基准测试结果。分析检查了跨基准测试晶体图神经网络架构的预测性能、交叉验证稳定性、多准则模型排名、结构解释和物理化学一致性。结果按顺序呈现，从基准数据集的特征开始，其次是

讨论

对比评估表明，预测性能不仅取决于网络深度或架构复杂性，而主要取决于每种晶体图神经网络表示决定氢脱附热力学的局部几何环境的有效程度。在评估的架构中，SphereNet 实现了最高的预测精度（R² = 0.8135，MAE = 17.18 kJ mol^?1 H₂），而 Equiformer 在多个评估标准中提供了最佳的整体平衡

结论

开发了一个统一基准测试框架，以在相同的预处理程序、辅助物理化学描述符、优化设置和无泄漏五折交叉验证协议下，系统评估十种代表性的晶体图神经网络架构用于结晶氢化物氢脱附焓预测。在评估的架构中，SphereNet 实现了最高的预测性能，R² 为 0.8135，MAE 为 17.18 kJ mol^?1 H₂

CRediT 作者贡献声明

Fatih Ekinci: 写作 - 审阅与编辑，写作 - 原稿，可视化，验证，监督，软件，资源，调查，形式分析，概念化。?zge Demir: 写作 - 审阅与编辑，写作 - 原稿，软件，方法论，调查，概念化。Ne?et Ko?kar: 资源，方法论，调查，形式分析，概念化。Güney U?urlu: 软件，资源，概念化。Mehmet ?zdemir: 验证，方法论，

数据可用性

本研究分析的数据检索自公开可用的开放量子材料数据库 (OQMD)，通过其无密钥、符合 OPTIMADE 标准的 REST API 访问（https://oqmd.org/oqmdapi/formationenergy）。访问无需注册或 API 密钥。策划的数据集包含 817 个独特的、热力学稳定（位于凸包上）的氢化物相，每个化学式单位至少包含两个氢原子，排除阴离子形成元素（O、F、P、S、卤素等）和

资金

本研究未获得外部资金。

利益冲突声明

作者声明不存在已知的竞争性财务利益或个人关系，这些可能被视为影响本文报告的工作。

致谢

本研究部分由 Gayrimenkul Bilgi Merkezi A.?. (GAB?M) 支持，该机构隶属于土耳其中央证券存管处 (MKK)，位于土耳其安卡拉 ?ankaya 区 Ufuk 大学大道 4A 号 K?z?l?rmak 社区，Next Level Loft 办公室，21 楼，57 号。作者还感谢 GAB?M 在本研究过程中提供的机构支持和技术贡献。

Fatih Ekinci|?zge Demir|Ne?et Ko?kar|Güney U?urlu|Mehmet ?zdemir|Faruk Bostanc?|Mehmet Tekerek|Mehmet Serdar Güzel