基于注意力机制的结构-性质关系可解释性
材料科学
2025-08-22 v1
摘要
机器学习方法正在成为基于多模态表征构建结构-性质关系的通用范式，但这需要发展出针对结果相关模型的物理可解释性的方法。本文展示了注意力神经网络在揭示结构-性质关系及其背后物理机制方面的潜力，以 PbTiO3 薄膜的铁电性质为案例研究。通过对注意力得分进行分析，我们解耦了不同域图案对极化转换过程的影响。探索了基于注意力的 Transformer 模型，既作为直接可解释性工具，也作为解释通过无监督机器学习学习的表示的替代方案，从而实现物理基础相关性的识别。我们将注意力派生的可解释性得分与经典的 SHapley Additive exPlanations (SHAP) 分析进行比较，结果表明，与自然语言处理中的应用不同，材料科学中的注意力机制在突出显示有意义结构特征方面具有高效性。
引用
@article{arxiv.2508.15493,
title = {Attention-Based Explainability for Structure-Property Relationships},
author = {Boris N. Slautin and Utkarsh Pratiush and Yongtao Liu and Hiroshi Funakubo and Vladimir V. Shvartsman and Doru C. Lupascu and Sergei V. Kalinin},
journal= {arXiv preprint arXiv:2508.15493},
year = {2025}
}
备注
34 pages, 12 figures