对预测材料性质的键合描述符的批判性评估
材料科学
2026-04-17 v3 化学物理
计算物理
摘要
大多数材料科学机器学习模型依赖基于材料组成和结构的描述符，尽管化学键作为预测材料性质的概念已被证明具有重要价值。多年来，人们开发了各种理论框架来表征固态材料的键合方式。然而，由于缺乏系统生成和验证的数据库，将这些键合信息集成到规模化的机器学习管道中仍受限。近期高通量键合分析工作流程的进展已解决了这一问题，我们之前计算的固态材料量子化学键合数据库已扩展到约13,000种材料。随后利用该数据库推导出了一套新的量子化学键合描述符。通过统计显著性检验系统评估了这些描述符对依赖于结构和组成特征的机器学习模型性能的影响。构建用于预测弹性、振动和热力学性质的模型，这些性质通常与化学键相关。结果表明，纳入量子化学键合描述符不仅提升了预测性能，还通过符号回归帮助人们识别了诸如投影力常数和晶格热导率等性质的直观表达式。
引用
@article{arxiv.2602.12109,
title = {A critical assessment of bonding descriptors for predicting materials properties},
author = {Aakash Ashok Naik and Nidal Dhamrait and Katharina Ueltzen and Christina Ertural and Philipp Benner and Gian-Marco Rignanese and Janine George},
journal= {arXiv preprint arXiv:2602.12109},
year = {2026}
}