热电材料中的Kolmogorov-Arnold网络

高性能热电材料的发现需要兼具准确性和可解释性的模型。传统机器学习方法虽然在属性预测方面有效，但常表现为黑箱，提供有限的物理洞见。本文引入 Kolmogorov-Arnold 网络（KANs）用于热电属性的预测，聚焦于 Seebeck 系数和带隙。与多层感知机（MLP）相比，KANs 在保持可 comparable 预测精度的同时，提供了结构-属性关系的显式符号表示。这种双重能力既实现了可靠的预测，也提取了物理上有意义的函数形式。与文献中模型进行基准测试，进一步凸显了该方法的鲁棒性和可泛化性。我们的发现表明，KANs 提供了一个强大的框架，用于逆向工程具有目标热电属性的材料，弥合了预测性能与科学可解释性之间的鸿沟。