研究人员报告了一种深度学习模型的解释方法，该方法允许处理材料科学中的高维光谱数据。所提出的方法使用特征提取和聚类分析，根据光谱数据和化学特征（如元素组成和原子排列）的相似性将材料分类。作为演示，研究人员将该方法应用于一个原子线图神经网络（ALIGNN）模型，该模型在2681种金属氧化物、硫族化物和相关化合物的第一性原理计算数据上训练，用于光学吸收光谱预测。研究人员的分析揭示了影响光学吸收起始特征的关键元素种类及其配位环境。本文提出的方法广泛适用于各种光谱数据的分类和解释，超越无机晶体的光学吸收光谱。
## 论文解读：基于深度学习的材料组与共同特征提取——以无机晶体光学光谱为例
### 研究背景与问题
机器学习在材料科学中的应用已取得显著进展，例如快速预测带隙、熔点、介电常数等标量性质。然而，对于高维输出数据（如光谱），预测模型的构建与解释仍面临挑战。光学吸收光谱在颜料、光电探测器、太阳能电池等领域至关重要，但基于第一性原理的高通量计算存在局限：标准密度泛函理论（DFT）严重低估带隙，而高精度方法（如混合泛函、GW近似）计算成本过高。此外，激子效应、电子-声子耦合等对光谱形状有明显影响，但高通量计算难以包含这些效应。尽管已有多种光谱预测模型（如针对电子能量损失近边结构（ELNES）、X射线吸收近边结构（XANES）、声子谱、介电函数等），但针对高维光谱数据的可解释性方法仍然有限。因此，研究人员旨在发展一种既能准确预测光谱又能提取物理化学见解的方法，以指导材料设计。
### 研究内容与意义
研究人员构建了一个包含2681种金属氧化物、硫族化物及相关化合物的光学吸收光谱第一性原理计算数据库，并基于原子线图神经网络（ALIGNN）建立了高精度预测模型。通过从模型第一层提取特征并进行层次聚类分析，将材料分为96个簇，成功识别出影响吸收起始能量与强度的关键元素种类及其配位环境。该工作不仅提升了光谱预测的准确性，更为理解深度学习模型的预测机制提供了新工具，论文发表在《Advanced Intelligent Discovery》。
### 关键技术方法（不超过250字）
1. **高吞吐量第一性原理计算**：从Materials Project数据库筛选9808种材料，采用PBEsol+U泛函进行结构优化和介电函数计算，并对局部态施加Hubbard U校正（如Ti、V、Cr等d态U=3 eV，Cu、Zn等d态U=5 eV）。通过非自洽介电依赖（nsc-dd）混合泛函校正光谱起始能量，采用PHS（PBE+HSE06+Sum rule）方法修正介电函数虚部，进而通过Kramers-Kronig变换得到实部并计算吸收系数。最终排除不稳定材料及PBEsol+U带隙<0.3 eV的体系，得到2681种材料。
2. **ALIGNN模型**：构建原子线图，其中原子为节点、键为边，线图中键为节点、三体角为边，通过门控图卷积层处理双图，编码二体与三体相互作用。输入特征包括原子种类独热编码、径向基函数（RBF）距离和角度。超参数优化确定最近邻数k=12、隐藏特征数h=512。
3. **特征提取与聚类**：从优化后ALIGNN的第一层提取每个原子站点的特征向量，按材料平均后，采用Ward链接与欧氏距离进行层次聚类，得到96个簇。
### 研究结果
**2.1 使用高吞吐量第一性原理计算构建数据集**
研究人员开发了复杂工作流（图1），将PBEsol+U与nsc-dd混合泛函及PHS方法结合。与实验光谱对比（图3）表明，校正后吸收起始能量改善，但在MgO等体系中仍低估8–12 eV范围内的吸收系数，原因是缺乏激子效应和电子-声子耦合。研究确认本数据库未包含缺陷、激子及声子辅助跃迁。
**2.2 机器学习模型构建与预测精度**
ALIGNN模型预测精度高：测试集75%材料平均绝对误差（MAE）<0.14（图5）。异常值包括Sr
3BPO
3（MAE=0.45）、Ce
2SeN
2（MAE=0.37）等，因其电子结构独特或训练集中高起始能量样本稀少。光谱起始能量预测（图6）展示良好一致性（R
2=0.950，MAE=0.353 eV）。
**2.3 特征提取与聚类**
结合特征提取与层次聚类成功将材料按光谱与化学特征分类。图7显示96个簇内光谱形状相似，图8显示光谱起始能量与积分吸收系数分布集中。重点分析三个簇：
- **簇74**：材料含V或Cr，多数呈四面体配位（如VO
43–、CrO
42–），碱金属密度高使CBM态局域化，导致高吸收系数。这与铬酸盐、钒酸盐作为染料的实际应用一致。
- **簇70**：同样含V/Cr但不含碱金属或含量低，CBM态离域化，起始能量较低。例如V
2O
5中钒配位不明确为四面体。图12显示碱金属密度与起始能量负相关。
- **簇48**：材料不含过渡金属，含B、C、Si，多为四面体或三重配位，起始能量高但吸收系数低，源于s/p轨道较d轨道离域性弱。
对比实验表明，若直接用光谱原始数据聚类，铬酸盐会分散到多个簇中，难提取共同化学特征；而基于模型特征的方法能锁定关键元素与配位环境。
### 总结讨论
本文构建了光学吸收光谱数据库并训练了高精度ALIGNN模型。**结论**（翻译）：研究人员构建了2681种氧化物、硫族化物及相关化合物的光学吸收光谱第一性原理计算数据集。对光谱起始能量与形状的校正显著改善了与实验光谱的吻合度。研究人员还利用该数据集和ALIGNN开发了高精度光学吸收光谱预测模型。通过特征提取与聚类分析相结合，成功提取了主导光学吸收起始能量与强度的关键元素种类及其配位环境。理想情况下，需要纳入电子-空穴相互作用、电子-声子耦合及点缺陷来分别重现激子贡献、声子辅助电子跃迁和缺陷相关光谱特征；然而，包含这些效应的高吞吐量第一性原理计算在计算上过于昂贵，本研究未予进行。尽管如此，研究人员的数据库和机器学习模型预期对未来的材料发现与材料信息学研究高度有效。本文提出的光谱分析方法不仅适用于光学吸收系数，还可推广至其他光谱性质及物理化学性质对参数（如温度、压力）依赖的函数，从而广泛有益于材料研究。
