用于磁性材料居里温度预测的可解释人工智能
材料科学
2025-11-20 v3 机器学习
摘要
我们利用 NEMAD 数据库探索了用于预测磁性材料居里温度的机器学习技术。通过使用基于成分和领域感知的描述符扩充数据集，我们评估了几种机器学习模型的性能。我们发现，额外树回归器在平衡数据集上表现最佳，交叉验证的 R^2 分数高达 0.85 ± 0.01。我们采用 k 均值聚类算法来深入了解化学性质不同的材料组的性能。此外，我们进行了 SHAP 分析，以确定居里行为的关键物理化学驱动因素，例如平均原子序数和磁矩。通过采用可解释人工智能技术，该分析为模型的预测行为提供了见解，从而提升了科学可解释性。
引用
@article{arxiv.2508.06996,
title = {Explainable AI for Curie Temperature Prediction in Magnetic Materials},
author = {M. Adeel Ajaib and Fariha Nasir and Abdul Rehman},
journal= {arXiv preprint arXiv:2508.06996},
year = {2025}
}
备注
7 pages, 6 figures, minor corrections