卤化物玻璃因其独特的光电性能而成为高端光电器件不可或缺的材料，其弹性模量和电阻直接决定了这些器件的机械可靠性和信号完整性。然而，传统的实验制造和测试方法无法建立准确的构性关系，因为卤化物玻璃极易受潮和结晶，微裂纹、孔隙率和表面粗糙度会显著降低其光电性能。为了克服这些挑战，本研究构建了仅依赖于化学成分和元素物理化学描述符的可解释机器学习模型，使用正弦余弦算法（SAC）进行特征选择，使用生成对抗网络（GAN）进行数据增强，对实验数据进行预处理，建立了一个用于预测卤化物玻璃弹性特性和电阻的数据集。该研究评估了六种传统机器学习算法和四种深度学习和神经网络算法在不同任务维度上的性能，取得了良好的预测结果。其中，随机森林模型在杨氏模量预测方面表现最佳（R2=0.96146）。支持向量机在预测剪切模量方面表现出色（R2=0.95129）。决策树模型适用于预测泊松比（R2=0.96783）。集成学习算法（LSBoost和XGBoost）在预测不同温度下的电阻率方面表现良好（R2>0.9），而BP神经网络在六个不同的任务中取得了良好的结果（R2>0.83）。所提出的仅成分设计策略为开发新型卤化物玻璃和计算机辅助逆向设计提供了直接指导。该研究成果被Journal of Materials Chemistry C（IF=5.2）接受出版！
全文链接： https://doi.org/10.1039/D5TC03267ADOI https://doi.org/10.1039/D5TC03267A
Figure 3 Prediction performance of traditional machine learning models for Young’s modulus. Scatter plots illustrate the predicted versus actual values for different algorithms: (a) Decision Tree, (b) Random Forest, (c) XGBoost, (d) LSBoost, (e) SVM, (f) GKR.
Figure 5 Prediction performance of traditional machine learning models for shear modulus. Scatter plots illustrate the predicted versus actual values for different algorithms: (a) Decision Tree, (b) Random Forest, (c) XGBoost, (d) LSBoost, (e) SVM, (f) GKR.
Figure 7 Prediction performance of traditional machine learning models for Poisson’s ratio. Scatter plots illustrate the predicted versus actual values for different algorithms: (a) Decision Tree, (b) Random Forest, (c) XGBoost, (d) LSBoost, (e) SVM, (f) GKR.
Figure 11 Prediction performance of traditional machine learning models for electrical resistance at 100°C. Scatter plots illustrate the predicted versus actual values for different algorithms: (a) Decision Tree, (b) Random Forest, (c) XGBoost, (d) LSBoost, (e) SVM, (f) GKR.
Figure 19 SHAP value analysis of elastic properties using a bee swarm plot. The plot illustrates the impact of various features on the prediction of (a) Young’s modulus, (b) shear modulus, and (c) Poisson’s ratio.