Tolkbar maskininlärning för design av termoelektriska material med Kolmogorov–Arnold-nätverk

Att omvandla värme till användbar kraft

Varje dag förloras enorma mängder energi som spillvärme från bilmotorer, fabriker och till och med våra egna elektroniska apparater. Termoelektriska material erbjuder ett sätt att omvandla en del av den spillvärmen direkt till elektricitet, utan rörliga delar eller bränsle. Men att hitta nya material som gör detta effektivt är svårt, eftersom deras prestanda beror på flera tätt sammanlänkade elektroniska egenskaper. I denna studie undersöks en ny typ av artificiell intelligens som inte bara kan förutsäga hur bra ett material blir, utan också förklara varför — vilket öppnar en tydligare väg för att designa bättre termoelektriska föreningar.

Varför det är svårt att hitta bättre värme-till-kraft-material

Termoelektriska enheter förlitar sig på material som kan generera en spänning när ena sidan är varm och den andra kall. Deras effektivitet fångas av en storhet kallad zT, som beror på tre huvudingredienser: hur starkt laddningsbärarna svarar på temperatur (Seebeck-koefficienten), hur lätt de rör sig (elektrisk ledningsförmåga) och hur väl materialet leder värme (värmeledningsförmåga). Att förbättra en egenskap skadar ofta en annan — till exempel kan åtgärder som gör att ett material leder elektricitet bättre också göra att det leder värme för väl, vilket minskar effektiviteten. Traditionella kvantmekaniska simuleringar, såsom densitetsfunktions-teori, kan förutsäga dessa egenskaper utifrån atomstrukturen, men de är så beräkningsintensiva att de inte kan tillämpas på miljontals kandidatmaterial.

Svartlådemodeller och behovet av insikt

Maskininlärningsmodeller har på senare tid blivit kraftfulla verktyg för att snabbt uppskatta materialegenskaper baserat på tidigare simuleringar och experiment. I detta arbete utgår författarna från rika numeriska beskrivningar av kristallstrukturer producerade av en specialiserad "Crystalformer"-kodare, som fångar hur atomer är ordnade och interagerar i en kristall. De tränar först ett standard multilagerperceptron — en vanlig djupinlärningsmodell — för att förutsäga två nyckelstorheter: Seebeck-koefficienten och det elektroniska bandgapet, som påverkar hur lätt ett material kan hysa rörliga laddningsbärare. Denna modell uppnår hög noggrannhet i båda uppgifterna över en stor datamängd på cirka 15 000 föreningar. Men, likt de flesta djupa nätverk, beter den sig som en svart låda och ger liten vägledning om vilka strukturella drag som verkligen spelar roll eller hur de kombineras för att styra den termoelektriska responsen.

En annan typ av neuralt nätverk

Paperets centrala idé är att ersätta ogenomskinliga neurala nätverk med Kolmogorov–Arnold-nätverk, eller KAN. I stället för att dölja all komplexitet i neuronaktiveringar fäster KAN flexibla, endimensionella kurvlika funktioner vid förbindelserna mellan lager. Matematiskt är dessa kurvor släta splines som anpassar sig efter data, och den övergripande modellen kan skrivas som en summa av enkla funktioner av indata-deskriptorerna. Efter träning passar författarna kortfattade matematiska uttryck — byggda av bekanta funktioner som sinus, cosinus och släta mättnadskurvor — till dessa inlärda splines. På så sätt blir modellen en explicit symbolisk formel som länkar strukturella deskriptorer till bandgap och Seebeck-koefficient, istället för en härva av ogenomskinliga parametrar. Även om KAN är mer beräkningskrävande att träna uppnår de en noggrannhet som är jämförbar med, och i vissa fall bättre än, multilagerperceptronet och flera andra maskininlärningsbaslinjer från litteraturen.

Vad modellen lär sig om material

Genom att granska KAN:s interna struktur visar författarna att endast en delmängd av de 128 strukturella deskriptorerna starkt påverkar varje egenskap. De beräknar attribueringspoäng för att identifiera de viktigaste deskriptorerna och beskär sedan svaga förbindelser, vilket lämnar ett glesare, lättare att tolka nätverk som fortfarande predicerar väl. Med hjälp av par av topprankade deskriptorer bygger de tvådimensionella kartor som visar hur det förutsagda bandgapet eller Seebeck-koefficienten varierar över deskriptorrummet. Dessa kartor avslöjar mjuka, samverkande effekter, där oscillerande och mättande trender kombineras, snarare än enkla en-till-en-regler. Kemiskt har modellen störst svårigheter i komplexa system med starkt riktade bindningar eller kraftigt interagerande d- och f-elektroner, men även där ger KAN stabilare och fysikaliskt mer rimliga förutsägelser än svartlåde-modellen. Till exempel genererar de färre orealistiska negativa bandgap och färre Seebeck-värden med fel tecken.

Från förutsägelse till vägledd design

Eftersom KAN ger explicita, släta formler snarare än bara numeriska förutsägelser, kan de användas för att utforska hur förändringar i underliggande deskriptorer skulle påverka den termoelektriska prestandan. Även om dessa deskriptorer fortfarande är abstrakta kvantiteter härledda från en djup strukturkodare korrelerar de med faktiska drag i atomarrangemang och bindningar. Det innebär att forskare kan använda den analytiska KAN-modellen som en slags karta: genom att söka i den efter regioner kopplade till hög Seebeck-koefficient och lämpligt bandgap kan de begränsa lovande material och sedan koppla dessa deskriptormönster tillbaka till kandidatkristallstrukturer i stora databaser eller i generativa designverktyg.

Vad detta betyder för framtida material

För en icke-expert är huvudbudskapet att detta arbete för oss närmare "glaslåda"-artificiell intelligens för materialupptäckt. Kolmogorov–Arnold-nätverk presterar nästan lika bra som de bästa svartlådesprediktorerna, men de redovisar också i matematisk form hur kristallers strukturella drag hänger ihop med deras förmåga att omvandla värme till elektricitet. Denna kombination av hastighet, noggrannhet och tolkbarhet kan hjälpa forskare att fatta välgrundade beslut om vilka nya föreningar som bör syntetiseras och testas, och potentiellt förkorta vägen från rådata till verkliga termoelektriska enheter som skördar spillvärme och förbättrar energieffektiviteten.

Citering: Fronzi, M., Ford, M.J., Nayal, K.S. et al. Interpretable machine learning for thermoelectric materials design with Kolmogorov–Arnold networks. Sci Rep 16, 14146 (2026). https://doi.org/10.1038/s41598-026-44723-x

Nyckelord: termoelektriska material, tolkbar maskininlärning, Kolmogorov–Arnold-nätverk, materialdesign, Seebeck-koefficient