基于HEO-Agent与LLM的纳米能源材料氢演化优化：一种反事实人工智能方法

《Catalysis Today》：HEO-Agent and LLM-Driven Hydrogen Evolution Optimization in Nano-Energy Materials: A Counterfactual AI Approach

　　Yazeed Yasin Ghadi|Sheikh Muhammad Saqib|Tehseen Mazhar|Husam S. Samkari|Tuwailaa Alshammari|Mohammed F. Allehyani|Habib Hamam阿布扎比阿尔艾因大学计算机科学与软件工程系，阿联酋12555摘要利用先进的纳米能源材料进行光催化氢气生成是实现可持续氢能的重要途径，但由于催化剂特性与操作参数之间存在复杂的非线性相互作用，如何优化氢气生成效率仍是一项挑战。为应对这一挑战，本研究提出了一种智能计算框架，该框架整合了机器学习预测、可解释人工智能技术、反事实推理以及大语言模型驱动的决策支持功能，用于优化氢气生成过程。该框架采用基于实验光催化数据集训练的随机森林回归模型，能够准确预测不同工艺条件下的氢气生成量。具体而言，该模型以1370组在蔗糖溶液中测量的石墨烯负载镧铁酸盐光催化剂的实验数据为训练依据，通过溶液pH值、催化剂负载量（克/升）以及过氧化氢浓度这三个输入变量，来预测氢气生成量（毫米摩尔/克催化剂）。为确保模型的透明性和科学可解释性，该预测模型还结合了SHAP和LIME等可解释人工智能技术，便于深入分析各特征对结果的影响以及系统的潜在行为。此外，反事实推理模块可通过识别最小化的参数调整方案来提出切实可行的改进建议。在此基础上，还有一个名为HEO-Agent的自主决策支持组件，它能将预测结果、解释内容及反事实建议整合起来，为实验优化提供指导。最后，基于大语言模型的界面可将分析结果转化为易于理解的建议，从而促进知识传递并加快实验设计进程。在独立测试集上，该随机森林模型的R2值为0.964，平均绝对误差为0.0299，均方根误差为0.0876，平均百分比误差低于1%（0.00997）。HEO-Agent将这些预测结果转化为符合约束条件的优化建议，这些建议在所有测试样本中都有效，并且能使模型预测的氢气生成量显著提升（配对t检验，t值为6.052，p值约为2.35×10^-9）。而大语言模型模块则能将数值结果和建议转化为结构化、易于理解的实验指导内容。这些改进均体现在模型预测的氢气生成量上，目前这些建议尚需通过实验进一步验证。通过将可解释机器学习与智能决策支持相结合，该框架为可持续计算领域的氢气生成优化提供了一种兼具可解释性和实用性的工具。引言随着向低碳能源体系的转型，绿色氢气作为一种清洁燃料和能量载体备受关注，因为它具有较高的比能量且不会产生直接排放物[1]。在各种绿色氢气生成方法中，利用半导体纳米材料进行光催化水分解和光重整尤为具有吸引力，因为这些方法可直接利用太阳能，且在温和条件下即可运行[2]。诸如TiO?复合材料、g-C?N?以及钙钛矿型氧化物（如LaFeO?）之类的异质结构及碳基光催化剂，只要其能带结构、表面化学性质以及电荷传输路径经过精心设计，就能展现出良好的氢气生成速率[3]。尤其是那些以石墨烯为载体的钙钛矿材料，比如石墨烯负载的LaFeO?，由于具有导电性的二维碳网络，能够实现更好的电荷分离和界面传输，因此在优化反应条件下可获得更高的氢气产率[4]。尽管取得了这些进展，但在光催化氢气生成领域，催化剂发现与工艺优化仍主要依赖反复试错的实验方法，这种方法成本高昂、耗时较长，而且在面对高维设计空间时难以实现大规模应用[5]。反应性能会受pH值、催化剂负载量、氧化剂浓度以及纳米结构特征等多种相互关联的变量影响，因此仅依靠经验进行优化效率较低。近期研究表明，机器学习技术能够利用有限的实验数据准确预测氢气生成量，并找出最佳操作条件。随机森林、梯度提升模型以及集成模型在处理钙钛矿和Cu/g-C?N?光催化剂时，已能取得0.92–0.99以上的R2值，这些模型的输入参数包括pH值、催化剂用量以及过氧化氢浓度[2][3][4]。同时，关于氢能技术的综述也指出，机器学习和人工智能是加速催化剂发现、过程控制以及电化学、光催化和光电化学途径中的技术经济优化的关键手段[6]。从数量上看，建筑行业和工业领域不断推动着一次能源需求的上升，预计在未来几十年里，绿色氢气将成为重要的低碳能源载体，这就更需要通过数据驱动的方法更快地找到高效的光催化材料[1][6][10]。在这一背景下，机器学习替代模型在处理钙钛矿和碳氮化物光催化剂时，也多次取得了0.92–0.99范围的R2值，这证明数据驱动模型能够可靠地捕捉影响氢气产率的pH值、催化剂和氧化剂之间的相互作用[2][3][4][9]。然而，目前该领域的大多数机器学习应用都只是单层预测模型，它们只能给出氢气产率的点估计值，无法揭示模型背后的推理机制，也无法直接为新的实验提供指导。尽管可解释人工智能技术和人工智能驱动的优化框架能为量化物理化学变量的相对影响、弥合理论设计与实验室实际之间的差距，以及自动提出改进实验条件或材料配置的建议提供有力工具，但它们才刚刚开始被应用于氢能研究领域[7]。这就为那种能够结合高精度预测、人类可理解的解释内容以及与真实实验数据紧密相连的智能优化系统的开发提供了契机。在此背景下，本研究提出了一种多层人工智能框架，用于优化石墨烯负载镧铁酸盐纳米能源材料的光催化氢气生成过程。借助1370组实验数据，该研究首先构建了一个随机森林回归模型，能够根据关键化学参数准确预测氢气生成效率；其次，引入了SHAP和LIME等可解释人工智能技术，用以阐明pH值、催化剂负载量以及过氧化氢浓度等变量中的作用及其相互作用；最后，还在一个自主的氢气生成优化智能体中整合了反事实分析模块，从而为实验条件和材料设计提供可行的改进建议。通过将预测建模、可解释性分析以及决策制定功能整合到一个统一的智能平台中，本研究旨在缩小数据驱动模型与实验室实际操作之间的差距，为人工智能辅助下的光催化氢气材料发现与优化提供可重复的解决方案。与第2.6节中列出的G1–G5研究缺口相对应，本研究的主要贡献如下：C1针对G1：我们提出了一种基于实验光催化数据集训练的随机森林回归模型的数据驱动预测框架，该模型能够捕捉催化剂特性与操作参数之间的复杂非线性相互作用，可作为实验室实验的可靠替代方案，帮助高效探索不同的氢气生成条件。C2针对G2：我们整合了SHAP和LIME等可解释人工智能技术，形成了一个全面的可解释层，从而为氢气生成预测提供全局和局部的解释能力。这一组件有助于明确识别出对氢气产率起决定性作用的实验参数，及其相互影响关系。C3针对G3：我们加入了反事实推理模块，能够为提升氢气生成性能提出切实可行的建议。通过确定最小化的可行参数调整方案，该框架将预测建模转变为一种具有指导意义的工具，能够帮助优化实验策略。C4针对G4：我们设计了HEO-Agent这一智能决策支持模块，它将预测建模、解释结果以及反事实分析结果整合到统一的优化工作流程中。这一组件起到了智能协调的作用，能够支持氢气生成系统的迭代式实验优化与运营决策制定。C5针对G5：我们开发了一个基于大语言模型的解释界面，它能够将分析结果——包括特征重要性、模型解释内容以及反事实建议——转化为易于理解的建议。这一界面有助于实现人工智能系统与实验研究人员之间的知识交流，弥补计算预测与实际实验室决策支持之间的差距。虽然该框架采用了随机森林回归、SHAP、LIME、DiCE以及大语言模型界面等成熟的技术组件，但其创新之处并不在于这些单独的技术，而在于它们的整合方式、工作流程设计以及优化逻辑。具体而言，该领域在技术层面上的创新点包括：(i) 一种从预测到决策的闭环工作流程，其中预测、解释、反事实分析、智能决策以及自然语言解释等功能相互关联，共同作用于真实的实验数据集，而非作为独立的分析环节存在；(ii) HEO-Agent的优化逻辑本身，它能够将连续的预测结果转化为可行的实验室操作步骤，通过基于规则的候选方案生成机制来实现这一点，同时还具备动态调整步长的功能——当预测的氢气生成量低于2.0毫米摩尔/克催化剂时，该机制会加倍探索步长，同时还会避免出现那些实际上会降低产率的操作（例如在产率已经较低的情况下进一步降低过氧化氢浓度）；(iii) 反事实目标是以具有物理意义的标准来设定的，并且会被限制在实验室可行的范围内，这样提出的建议才具备实际的可行性；(iv) 一种结构化的提示式大语言模型层，它能够将数值优化结果和材料分类信息转化为针对特定实验场景的指导建议。总体而言，这些元素共同构成了一个前所未有的整合与优化设计，据我们所知，此前尚未有人将此类技术应用于光催化氢气生成领域。据我们所知，这是首项将随机森林预测、SHAP和LIME可解释性分析、基于DiCE的反事实推理、智能优化模块以及大语言模型驱动的科学解释功能整合到一起，用于光催化氢气生成优化的研究。本文的其余部分结构如下：第2节回顾了机器学习预测、可解释人工智能、反事实与规范性指导以及智能优化在氢能系统中的应用现状，并指出了当前的研究缺口。第3节详细介绍了所提出的方法论，包括数据集预处理、模型训练、SHAP和LIME可解释性分析模块、DiCE反事实分析模块、HEO-Agent以及大语言模型解释界面等内容。第4节展示了实验结果与讨论，涵盖了预测性能、可解释性案例分析、反事实与智能优化分析、统计验证、与同类研究的比较以及本研究的局限性。最后，第5节对全文进行了总结，并提出了未来研究的方向。文献综述随着在复杂、非线性的物理化学相互作用环境下加速实验发现并优化工艺条件的需求不断增加，人工智能技术在氢能生产研究中的应用也在迅速扩展。相关文献显示，用于氢能生产优化的机器学习研究呈现快速增长趋势，尤其是在电化学路径方面，机器学习技术被用来降低实验成本并提高决策效率[8]。更多的综述文章指出，计算技术……提出的方法论以下各节将详细介绍如图1所示的拟议方法论，该方法论结合了机器学习、反事实推理以及智能人工智能技术，用于优化氢气生产过程。训练好的随机森林模型结果通过测试数据集中预先留出的685组数据对训练好的随机森林模型结果进行了严格测试。测试结果表明，该模型能够推广到新的实验条件之下，同时还能准确预测氢气生成效率与pH值、催化剂用量以及过氧化氢浓度等输入变量之间的关系。图4显示了实际实验值与模型预测值之间的高度一致性。总结本研究提出了一种集成式人工智能框架，通过结合预测建模、可解释人工智能技术、反事实推理以及基于智能体的决策支持功能，来优化纳米能源材料中的氢气生成效率。其目标在于超越单纯的预测型氢气生产模型，打造出一个能够支持实验优化与科学解释的智能计算系统。为此，研究人员开发了一种随机森林回归模型……资金支持作者们感谢塔布克大学人工智能与传感技术研究中心提供的技术支持。作者贡献Yazeed Yasin Ghadi和Sheikh Muhammad Saqib负责原始写作、软件开发以及方法论设计；Sheikh Muhammad Saqib和Tehseen Mazhar负责文本润色、研究调查、方法论设计以及概念构思；Tehseen Mazhar和Habib Hamam负责相关研究工作，并负责结果整理与讨论；Tehseen Mazhar和Husam S. Samkari同样负责相关研究工作，并负责结果整理与讨论；Tehseen Mazhar和Mohammed F. Allehyani负责文本润色、方法论设计……利益冲突声明作者们声明自己不存在任何可能影响本文研究成果的已知财务利益或个人关系。数据可用性说明用于支持本研究结论的数据，可应相应作者的要求获取。CRediT作者贡献说明Tuwailaa Alshammari：数据验证、研究调查、形式化分析、数据整理。Mohammed F. Allehyani：结果可视化、研究调查、形式化分析、数据整理。Husam S. Samkari：软件工具使用、资源获取、形式化分析、数据整理。Tehseen Mazhar：论文撰写——审稿与编辑、论文初稿撰写、项目监督。Sheikh Muhammad Saqib：论文撰写——审稿与编辑、论文初稿撰写、概念构思。Yazeed Yasin Ghadi：研究调查、形式化分析、数据整理。Habib Hamam：声明无竞争性利益。