解释性多模态机器学习在碳纳米管纤维结构-性能关系中的应用

本研究提出解释性多模态机器学习（EMML），通过因子分析进行特征提取结合解释性人工智能（XAI），用于分析从水相分散剂制备的碳纳米管（CNT）纤维。该方法为阐明支配材料性能的机制提供了强大手段，其中多阶段制造条件和多尺度结构具有复杂影响。在本研究中，该方法帮助我们理解不同的加工步骤和不同尺度结构如何影响CNT纤维的最终性能。分析对象涵盖从纳米尺度到宏观尺度的结构，包括CNT分散剂的聚集尺寸分布以及CNT的有效长度。由于部分数据难以使用标准方法解释，对难以解释的分布数据采用负矩阵分解（NMF）提取决定结果的关键特征。基于SHapley Additive exPlanations（SHAP）的贡献分析表明，小且均匀分布的聚集物对提高断裂强度至关重要，而具有长有效长度的CNT对提高电导率具有重要影响。该分析还识别了这些关键因素的阈值和趋势，以助于定义优化CNT纤维性能所需的条件。EMML不限于CNT纤维，可应用于由纳米材料衍生的其他材料设计，为开发广泛的先进材料提供了有用工具。该方法为推动数据驱动材料研究提供了基础。