用于磁性材料居里温度预测的可解释机器学习：成分描述符、SHAP分析及钙钛矿案例研究

《Scientific Reports》：Interpretable machine learning for Curie temperature prediction of magnetic materials: compositional descriptors, shap analysis, and a perovskite case study

　　

摘要

设计具有目标居里温度（\(T_C\)）的磁性材料仍是材料科学领域的核心挑战。在本研究中，我们利用包含33,668种实验记录的磁性化合物的东北材料数据库（NEMAD），构建机器学习模型，这些模型能够根据基于分子级元素性质的成分特征来预测\(T_C\)，同时还会结合少量关于晶体系和结构类型的指标。在经过严格的数据整理——包括去除13,186种重复化合物，并提取出涵盖电负性、原子半径、电离能以及价电子统计特性的49个物理相关特征后——我们对四种梯度提升算法及集成算法进行了性能测试。XGBoost取得了最佳预测效果，五折交叉验证下的\(R^2\)值为0.79，平均绝对误差为70.2开尔文。SHapley加性解释方法分析表明，3d族磁性元素（锰、铁、钴、镍、铬）的比例对预测结果影响最大，平均贡献了85开尔文的SHAP值，其次是各组成元素的平均第一电离能和最小原子序数。通过对2,724种钙钛矿结构化合物的深入研究，发现该通用模型也能很好地应用于这一具有重要技术价值的化合物类别（\(R^2\) = 0.73）。最后，我们筛选出了20种潜在的钙钛矿成分，其中Sr\(_6\)和La\(_{0.3}\)MnO\(T_C\)磁性材料提供了实用工具。