可解释的机器学习揭示了氧气局部压力和晶性在Mo-Doped In2O3薄膜生长中占主导地位
1Department of Applied Chemistry, Chubu University, 1200 Matsumoto, Kasugai, Aichi 487-8501, Japan.
Langmuir : the ACS journal of surfaces and colloids
|March 4, 2026
概括
可解释机器学习 (IML) 揭示了控制Mo-doped In2O3薄膜生长的物理规律. 该框架分离了沉积参数,揭示了材料发现中载体密度和电子流动性的关键因素.
科学领域:
- 材料科学 材料科学 材料科学
- 薄膜沉积的情况
- 机器学习 机器学习
背景情况:
- 数据驱动的材料发现往往缺乏物理解释性.
- 传统模型优先考虑预测,而不是理解潜在的机制.
- 弥合相关性和因果关系之间的差距对于科学进步至关重要.
研究的目的:
- 为材料发现开发一个可解释的机器学习 (IML) 框架.
- 将IML应用于用 (Mo) 合的氧化 (In2O3) 薄膜的喷雾沉积.
- 量化分离沉积参数对薄膜性能的影响.
主要方法:
- 使用XGBoost回归和特征重要性分析进行可解释的建模.
- 将IML框架应用于Mo-doped In2O3薄膜沉积的实验数据.
- 实验验证的ML-derived关于生长机制的假设.
主要成果:
- IML模型自主地确定了氧的部分压力 (PO2) 作为载体密度的关键决定因素.
- 电子的移动性被发现是由结晶性驱动的,受原子扩散和粒子轰炸的影响.
- 实验验证证了PO2在缺陷补偿中的作用,并确定了峰值移动性最佳晶体性.
结论:
- 从有限的实验数据中,IML可以有效地重新发现管理物理规律.
- 开发的框架为阐明功能材料生长机制提供了一个可扩展的策略.
- 这种方法增强了对材料发现的理解,而不仅仅是对材料发现的性能预测.
