使用SHAP辅助的机器学习算法优化金纳米结构的等离子特性
Shuyan Zhao1, Boyan Zhao1, Yong Wang2
1Faculty of Chemical Engineering and Energy Technology, Shanghai Institute of Technology, 100 Haiquan Road, Shanghai 201418, P. R. China.
ACS applied materials & interfaces
|December 10, 2025
概括
使用SHapley添加式扩展 (SHAP) 和极端梯度提升 (XG-Boost) 的机器学习模型加速了具有特定光学特性的金纳米结构 (GNS) 的设计. 这种方法可以为传感和纳米制造中的应用提供精确的合成.
科学领域:
- 纳米技术 纳米技术
- 材料科学 材料科学 材料科学
- 计算化学的计算化学
背景情况:
- 黄金纳米结构 (GNSs) 提供可调节的光学和催化性能,对于分子传感和纳米制造至关重要.
- 传统的试错方法阻碍了具有所需光学特性的GNS的高效设计.
研究的目的:
- 开发一种具有特定等离子体特征的GNS合成的预测模型.
- 使用机器学习阐明合成条件和GNS等离子体特性之间的关系.
主要方法:
- 使用了SHapley添加式扩展 (SHAP) 辅助的极端梯度增强 (XG-Boost) 模型.
- 研究了在室温下在各种表面活性剂中使用酸银和甲酸合成GNS的合成.
- 采用SHAP来解释模型预测并识别关键影响因素,例如表面活性剂的贡献.
主要成果:
- 该XG-Boost模型显示了高的预测准确性 (R2>0.98,RMSE<0.03).
- SHAP分析揭示了表面活性剂在确定GNS等离子体性质方面的重要,以前被低估的作用.
- 成功设计和合成了具有可调的局部表面等离子体共振峰值和增强稳定的GNS.
结论:
- 开发的机器学习框架显著改善了GNSs的设计和合成.
- 通过SHAP-XG-Boost战略,可以精确地定制GNS用于各种应用,包括分子检测和发光芯片制造.
- 这种方法突出了人工智能在材料科学中的潜力,以加速功能纳米材料的开发.
