机器学习揭示硫系玻璃中成分-性能关系

由于其独特的光学与电子功能，硫系玻璃是众多微电子与光子器件的优选材料。然而，为拓展其成分范围与应用，亟需深入理解成分-性能关系。为此，我们从 SciGlass 数据库收集了大量关于硫系玻璃的玻璃化转变温度 ($T_g$)、杨氏模量 ($E$)、热膨胀系数 (CTE) 和折射率 ($n_D$) 的成分-性能数据。利用这些数据，我们采用随机森林、K 近邻和分类回归树三种机器学习算法构建了预测模型。最后，通过计算化学特征的 SHAP (SHapley Additive exPlanations) 值对所得模型进行解释，揭示了显著影响所测性能的关键元素并量化了其影响。例如，Ge 和 Ga 提高 $T_g$ 和 $E$ 并降低 CTE（这三个性能依赖于键强），而 Se 具有相反效应。Te、As、Tl 和 Sb 提高 $n_D$（其强烈依赖于极化率），而 S、Ge 和 P 降低该值。关于各元素对玻璃性能影响的知识对于半经验成分开发尝试或仿真驱动配方而言十分宝贵。所构建的模型可用于设计具有所需性能组合的 novel 硫系玻璃。