机器学习驱动的光催化ABX3钙钛矿材料发现

《Digital Discovery》：Machine learning enabled discovery of photocatalytic ABX3 perovskite materialsOpen Access

　　

电子带边位置对决定材料在太阳能转换中的适用性至关重要，尤其是在面向可持续燃料生产和环境修复的光催化与光电化学应用中。在本研究中，研究人员开发了机器学习（ML）模型，以预测ABX₃钙钛矿的导带底（ECBM）和价带顶（EVBM），并将其作为光催化效率的关键指标。研究人员利用包含元素特征的数据集训练了六种ML算法：CatBoost、随机森林（Random Forest）、XGBoost、LightGBM、支持向量机（Support Vector Machine）和决策树（Decision Tree）。研究人员基于相关性分析实施特征选择，以降低维度并增强模型可解释性。在所评估的模型中，CatBoost和XGBoost展现出优越性能，对ECBM实现了R² ≥ 0.91，对EVBM实现的R²约为0.99。此外，这些模型有效分类了钙钛矿在不同pH条件下用于光催化应用的适用性，F1分数接近1。SHapley加法解释（SHAP）分析确定B位点的Pauling电负性是ECBM的主导描述符，而X位点电负性在所有模型中成为对EVBM最有影响力的特征。这些发现分别为针对还原和氧化反应进行合理光催化剂设计提供了可行见解。本研究突显了ML驱动方法在加速发现用于氢气生产、CO₂还原和污染物降解的高性能钙钛矿光催化剂方面的潜力。

**研究背景、现存问题与研究动机**
光催化技术通过太阳光驱动水分解产氢、二氧化碳（CO₂）还原以及有机污染物降解，为应对全球能源短缺和环境恶化提供了可持续路径。卤化物钙钛矿（ABX₃）因其高光吸收系数、长载流子扩散长度和可调带隙等优异光电性质而被视为新一代光催化剂候选材料。然而，传统材料研发依赖试错法，耗时耗力，难以满足快速筛选需求。密度泛函理论（DFT，一种基于量子力学的电子结构计算方法）虽能提供原子级模拟，但其计算成本随体系规模呈三次方增长，不适用于大规模高通量筛选。机器学习（ML，一种数据驱动的统计建模技术）可从既有数据中学习构效关系，以极低计算成本预测材料性能，因而成为加速材料发现的有力手段。电子带边位置（导带底ECBM与价带顶EVBM）决定光生电子和空穴能否跨过目标反应的还原/氧化电位，是评价光催化热力学可行性的关键参数。虽然已有研究将ML用于钙钛矿带隙或带边预测，但尚未有工作系统运用ML预测ABX₃带边位置并同步评估其在环境修复和可持续能源领域的多功能适用性。为填补这一空白，研究人员开展了本研究。

**研究内容与主要结论**
研究人员构建了包含209个ABX₃钙钛矿化合物的数据集，经特征工程后使用六种监督学习算法建立预测模型。回归结果表明，CatBoost和XGBoost对ECBM与EVBM的预测性能最优，测试集R²分别达到0.97和0.96左右，且模型在多随机种子及交叉验证下保持稳定。SHAP可解释性分析揭示，B位元素Pauling电负性（PE(B)）是控制ECBM的主导描述符，而X位阴离子电负性（PE(X)）对EVBM具有普遍且最高的特征重要性。基于Nernst方程推导不同pH条件（0、7、14）下的氧化还原电位阈值后，分类任务成功将预测带边信息转化为光催化适用性筛选准则，各模型F1分数大多接近1，其中CatBoost在所有pH条件下均表现出接近完美的分类能力。该研究为分别针对还原和氧化反应设计光催化剂提供了明确指导原则，展示了ML驱动方法在加速发现高性能钙钛矿光催化剂方面的巨大潜力。

**关键技术与方法概况**
研究数据集包含209个ABX₃钙钛矿化合物，其中199个来自研究团队前期关于带隙预测的工作，另10个为从Tao等报道的ABO₃氧化物中补充加入。每个化合物初始提取33个元素特征，通过皮尔逊相关系数（PCC，用于衡量两个变量线性相关程度的统计量）分析剔除高度相关特征，最终保留15个描述符，涵盖电负性、共价半径、电离能、电子亲和能、熔点、密度等物理量。模型方面，研究人员同时训练了CatBoost、XGBoost、随机森林、LightGBM、支持向量回归（SVR）和决策树六种方法，其中树集成模型可用TreeExplainer精确计算SHAP值。分类阶段以95:5划分训练/测试集，并采用分层抽样、GridSearchCV超参数优化及5折交叉验证确保结果可靠性。pH条件未作为模型输入特征，而是在分类时通过Nernst方程将预测带边与目标反应电位阈值进行比较，进而输出“适用”或“不适用”标签。

**回归分析**
基于相关图与定量指标的评估显示，ECBM预测中CatBoost泛化能力最强（训练R²=0.9957，测试R²=0.9723，均方根误差RMSE=0.23 eV），XGBoost紧随其后（测试R²=0.9652）。LightGBM和随机森林也保持较强性能（测试R²分别为0.9398和0.9335），SVR存在明显泛化差距（测试R²=0.8544），决策树则出现过拟合现象（测试R²仅0.7264）。EVBM预测中，XGBoost表现最佳（测试R²=0.9578），随机森林（0.9512）和CatBoost（0.9411）次之，SVR依然最弱（0.7776）。整体而言，梯度提升和装袋等集成方法能有效捕捉带边预测中固有的非线性结构-性能关系。

**带边预测的特征重要性**
SHAP分析为揭示控制带边的物理因素提供了关键信息。对于ECBM，三种最优模型（CatBoost、XGBoost、LightGBM）一致将PE(B)列为最重要特征，物理上可归因于B位电负性稳定金属中心轨道并降低导带能级；密度（DST(B)）和电子亲和能（EA(B)）同样位列前三，反映其对电子捕获能力的影响。对于EVBM，PE(X)在所有六个模型中均排名第一，成为唯一获得全模型共识的特征，表明X位电负性决定金属-阴离子键的离子性和价带深度。此外，B位相关描述符（DST(B)、EA(B)、MP(B)等）的突出贡献说明价带虽以阴离子p轨道