基于第一性原理数据与特殊注意力增强的机器学习预测掺杂TiO2电导率

《Energy and AI》：Predicting the electrical conductivity of doped TiO 2 via machine learning with special attention enhancement on first principles featuring data

　　

摘要翻译：
开发用于质子交换膜燃料电池（PEMFCs）的高导电性钛基双极板，需要通过表面掺杂实现，这要求高效的预测方法来加速材料筛选。然而，针对不同成分和微结构的传统第一性原理模拟计算成本高昂。新兴的机器学习（ML）技术为这一困境提供了有前景的解决方案，但传统ML模型的预测精度严重受限于大规模训练数据的可用性。为解决此问题，本研究构建了一种专用的图神经网络模型，以在小数据集条件下实现对掺杂TiO₂基材料电导率的准确预测。研究人员将九种与电子输运相关的原子物理属性嵌入节点特征，实现领域知识注入。同时，引入针对掺杂原子的专用特征分支和注意力图池化（AGP）模块，协同增强掺杂原子信号的表征。采用带有晚期融合的门控注意力方法作为最优的特征融合策略，以实现有效的特征集成。在少于200个样本的小数据集上训练后，模型实现了R²为0.82，并优于包括传统机器学习方法和经典晶体图卷积神经网络（CGCNN）在内的基线模型。利用单元素掺杂数据进行迁移学习微调后，在双元素掺杂系统的预测任务上达到R²为0.88。微调后的模型进一步应用于大规模材料设计空间的虚拟筛选，识别出的高导电性候选材料随后通过DFT计算得到验证。

**论文解读：基于领域知识注入与图神经网络的掺杂TiO₂电导率预测研究**

**研究背景与问题**
质子交换膜燃料电池（PEMFCs）和电解水装置是低碳经济的关键技术，金属双极板是其中负责集流和导电的核心部件。钛双极板具有优异的耐腐蚀性，但在PEMFC典型工况（高电位、高温、高湿）下，表面易形成高电阻的TiO₂氧化层，严重降低电导率，影响电池性能。通过元素掺杂调控能带结构、提升表面导电性，是改善钛双极板性能的重要途径。然而，掺杂材料性能的预测与优化依赖第一性原理计算（如密度泛函理论，DFT），但对于复杂掺杂体系，计算成本随体系尺寸和构型复杂度呈指数增长，难以实现高通量筛选。机器学习（ML）方法能以远低于DFT的计算成本学习材料结构与性能间的非线性映射，但传统ML模型对大规模训练数据依赖性强，而掺杂材料的高价值数据集通常仅有数百个样本，小样本导致严重过拟合。尽管已有知识注入和迁移学习等策略，但对于电导率这类受多因素影响的复杂性能，仍缺乏有效的专用模型。因此，亟需开发一种能融合物理领域知识、并对小数据集具有鲁棒性的模型，以实现掺杂TiO₂电导率的准确预测。

**研究内容与结论**
针对上述问题，研究人员构建了一种基于图神经网络（GNN）的专用模型，用于预测掺杂TiO₂材料的电导率。该模型将九种与电子输运直接相关的原子物理属性（第一电离能、电负性、原子半径、电子壳层数、价电子亚层占据率、费米能级等）嵌入节点特征，实现领域知识注入。同时，设计了独立的掺杂原子特征分支和注意力图池化（AGP）模块，以增强掺杂原子信号并抑制背景晶格干扰。在少于200个样本的小数据集上，模型取得R²为0.82，显著优于传统机器学习（随机森林、XGBoost）和深度学习方法（ANN、CNN、GCN、GAT）以及经典晶体图卷积神经网络（CGCNN）。通过迁移学习微调，模型在双元素掺杂体系上达到R²为0.88。进一步，微调模型被用于近1000个候选材料的虚拟筛选，识别出的高导电性候选经DFT验证一致。该研究为掺杂材料的小样本性能预测提供了通用框架，对加速高性能钛基双极板开发具有重要意义。论文发表在《Energy and AI》。

**主要技术方法**
本研究采用以下关键方法：（1）基于VASP的DFT计算，使用SCAN泛函准确描述电子结构，并结合BoltzTraP2求解玻尔兹曼输运方程计算电导率，数据集包含216个结构样本（锐钛矿47%、金红石53%）；（2）基于改进的PLMF方法构建晶体图，利用Voronoi划分和化学键判据生成边；（3）图神经网络采用GraphSAGE卷积层，并设计独立的掺杂原子分支（全连接层）与主图卷积路径通过门控注意力机制融合；（4）采用基于图多集变换器（GMT）的注意力图池化（AGP）层生成图级表示；（5）使用SHAP解释性分析验证特征重要性；（6）迁移学习微调策略（冻结特征提取层，仅更新输出层）。

**研究结果**
**4.1 模型性能对比**：在五折交叉验证下，所提模型取得MAE=0.068、RMSE=0.092、MAPE=24.85%、R²=0.823，均优于所有基线。与CGCNN相比，MAE降低33.3%，RMSE降低32.8%，MAPE降低40.2%，R²提高37.6%。ANN表现最差（R²=0.448），因其忽略空间拓扑；CNN（R²=0.502）受限于网格表示；GCN和GAT虽有优势但存在过平滑问题；CGCNN（R²=0.598）由于通用特征和缺乏掺杂增强模块而性能受限。

**4.2 特征影响与SHAP可解释性**：SHAP分析显示，费米能级是最重要的特征，高或低的费米能级对应浅能级掺杂，利于载流子生成；中间值对应深能级陷阱，抑制导电性。s'亚层占据率与电导率正相关，因为过渡金属的(n+1)s电子高度离域。第一电离能和电负性与电导率负相关，较低的数值有利于电子跃迁。这些趋势与半导体物理经典理论一致，证明模型学到了物理规律而非噪声。

**4.3 关键特征分支与AGP的协同效应**：对比不同池化方法，无特征分支时，GAP、GMP、AGP的R²分别为0.56、0.68、0.75；加入特征分支后，分别提升至0.62、0.73、0.82。可视化分析表明，特征分支增强了掺杂节点的特征幅度，AGP使注意力分数与节点重要性正相关，协同缓解了过平滑问题，并保持对掺杂引起结构扰动的敏感性。

**4.4 不同特征融合方法与位置的影响**：比较了拼接、求和、简单门控和门控注意力四种融合方法，门控注意力最优（R²=0.82），因为它能逐维度动态分配权重。比较了早期融合、多层融合和晚期融合三种位置，晚期融合（在图卷积后、池化前）最优（R²=0.82），因为此时结构特征已充分提取，分支提供物理描述符，有效整合。

**4.5 单元素与双元素掺杂的预测结果**：独立测试集（32个2.08 at.%掺杂金红石TiO₂）上，模型预测R²=0.79。电子结构分析显示，高导电性的Zr掺杂体系费米能级位于价带顶，且形成间隙态；低导电性的Sn掺杂体系费米能级位于带隙中间，无有效间隙态。利用30个双元素掺杂样本进行迁移学习微调（冻结特征提取层，仅更新输出层），五折交叉验证R²=0.88，表明单元素掺杂学到的结构-性能关系可有效迁移至双元素体系，但模型对多掺杂协同效应的显式建模仍有限。

**4.6 高导电性材料筛选**：从20种高导电性掺杂元素中构建单/双掺杂锐钛矿和金红石结构，三种掺杂浓度（16.7 at.%、4.17 at.%、2.78 at.%），共约1000个候选。微调模型预测全部候选，选出三个高导电性候选进行DFT验证。预测值与DFT计算值吻合良好，DOS分析显示三个候选的费米能级均穿越导带，且费米能级附近电子态密度高，有利于载流子产生和输运，验证了筛选结果的可靠性。

**讨论与结论**
讨论部分指出，模型性能提升主要归因于领域知识注入和专用架构设计。SHAP分析验证了物理一致性，特征分支和AGP协同解决了过平滑和掺杂信号淹没问题。融合策略的比较表明门控注意力晚期融合最优。迁移学习证明了模型的可扩展性，但多掺杂协同效应仍需显式建模。研究结论强调，该模型在小数据集上实现了高精度电导率预测，优于现有基线，并成功应用于材料筛选，为PEMFC钛双极板材料设计提供了高效工具，也为其他掺杂晶体的小样本性能预测提供了通用框架。未来工作可探索显式的掺杂-掺杂相互作用模块，以进一步提升多掺杂系统的预测能力。