Kolmogorov–Arnold ağlarıyla termoelektrik malzeme tasarımı için yorumlanabilir makine öğrenimi

Sıcağı Yararlı Güce Dönüştürmek

Her gün, araba motorları, fabrikalar ve hatta kendi elektroniğimiz gibi kaynaklardan büyük miktarlarda enerji atık ısı olarak kayboluyor. Termoelektrik malzemeler, hareketli parça veya yakıt gerektirmeden bu atık ısının bir kısmını doğrudan elektriğe çevirmenin bir yolunu sunar. Ancak bunu verimli yapan yeni malzemeler bulmak zordur, çünkü performansları birkaç sıkı şekilde bağlantılı elektronik özelliğe bağlıdır. Bu çalışma, yalnızca bir malzemenin ne kadar iyi olacağını tahmin etmekle kalmayıp nedenini de açıklayabilen yeni bir yapay zekâ türünü araştırıyor — bu da daha iyi termoelektrik bileşiklerin tasarımına daha net bir yol açıyor.

Neden Daha İyi Isı‑Güç Malzemelerini Bulmak Zor?

Termoelektrik cihazlar, bir yüzü sıcak diğer yüzü soğuk olduğunda gerilim üretebilen malzemelere dayanır. Verimleri zT adını taşıyan bir değerle ifade edilir; bu değer üç ana bileşene bağlıdır: taşıyıcıların sıcaklığa verdiği tepki (Seebeck katsayısı), taşıyıcıların ne kadar kolay hareket ettiği (elektriksel iletkenlik) ve malzemenin ısıyı ne kadar iyi taşıdığı (termal iletkenlik). Birini iyileştirmek genellikle diğerine zarar verir — örneğin bir malzemenin elektrik iletkenliğini artırmak, ısıl iletkenliğini de artırarak verimi düşürebilir. Yoğunluk fonksiyonel teorisi gibi geleneksel kuantum mekaniği simülasyonları bu özellikleri atomik yapıdan tahmin edebilir, ancak bunlar o kadar hesap yoğun ki milyonlarca aday malzemeye uygulanamazlar.

Karar Kutusu Modelleri ve İçgörü İhtiyacı

Makine öğrenimi modelleri, geçmiş simülasyonlar ve deneylere dayanarak malzeme özelliklerini hızlıca tahmin etmede son zamanlarda güçlü araçlar haline geldi. Bu çalışmada yazarlar, bir kristalde atomların nasıl dizildiğini ve etkileştiğini yakalayan özel bir "Crystalformer" kodlayıcısının ürettiği zengin sayısal kristal yapı tanımlamalarından başlıyor. İlk olarak iki temel niceliği tahmin etmek için standart bir çok katmanlı algılayıcı — yaygın bir derin öğrenme modeli — eğitiyorlar: Seebeck katsayısı ve malzemenin mobil taşıyıcı barındırma kolaylığını etkileyen elektronik bant aralığı. Bu model yaklaşık 15.000 bileşik içeren geniş bir veri kümesi üzerinde her iki görevde de yüksek doğruluğa ulaşıyor. Ancak çoğu derin ağ gibi, karar verme süreci siyah kutu şeklinde davranıyor; hangi yapısal özelliklerin gerçekten önemli olduğu veya bu özelliklerin termoelektrik tepkiyi kontrol etmek için nasıl bir araya geldiği konusunda pek yol göstermiyor.

Farklı Bir Sinir Ağı Türü

Makalenin temel fikri, opak sinir ağlarını Kolmogorov–Arnold Ağları (KAN) ile değiştirmektir. Tüm karmaşıklığı nöron aktivasyonlarının içine saklamak yerine, KAN’lar katmanlar arasındaki bağlantılara esnek, tek boyutlu eğri benzeri fonksiyonlar ekler. Matematiksel olarak bu eğriler veriye uyum sağlayan düzgün splineler olup, genel model girdi tanımlayıcılarının basit fonksiyonlarının toplamı olarak yazılabilir. Eğitimden sonra yazarlar bu öğrenilmiş splineleri tanıdık fonksiyonlardan — sinüsler, kosinüsler ve düzgün doygunluk eğrileri gibi — oluşan özlü matematiksel ifadelere sığdırıyorlar. Böylece model, opak parametre karmasından ziyade yapısal tanımlayıcıları bant aralığı ve Seebeck katsayısına bağlayan açık bir göstergeye, yani sembolik bir formüle dönüşüyor. KAN’lar eğitilmesi daha hesap yoğun olsa da, doğruluk açısından çok katmanlı algılayıcıya ve literatürdeki diğer bazı makine öğrenimi temeline kıyasla benzer hatta bazı rejimlerde daha iyi performans gösteriyor.

Modelin Malzemeler Hakkında Öğrendikleri

KAN’ın iç yapısını inceleyerek yazarlar, 128 yapısal tanımlayıcıdan yalnızca bir alt kümesinin her özelliği güçlü biçimde etkilediğini gösteriyor. En önemli tanımlayıcıları belirlemek için atıf skorları hesaplıyor ve sonra zayıf bağlantıları budayarak yine iyi tahmin yapan, daha az yoğun ve yorumlaması daha kolay bir ağ bırakıyorlar. En üst sıradaki tanımlayıcı çiftlerini kullanarak, tahmini bant aralığının veya Seebeck katsayısının tanımlayıcı uzayında nasıl değiştiğini gösteren iki boyutlu haritalar oluşturuyorlar. Bu haritalar, tek‑bir nedene indirgenemeyen, osilatörlü ve doygunluk eğilimlerinin birleştiği düzgün, işbirlikçi etkileri ortaya koyuyor. Kimyasal olarak model en çok yönlü bağlılıkların olduğu veya kuvvetli etkileşen d‑ ve f‑elektronların bulunduğu karmaşık sistemlerde zorlanıyor, ancak bu durumlarda bile KAN’lar siyah kutu modele kıyasla daha kararlı ve fiziksel olarak mantıklı tahminler üretiyor. Örneğin, daha az fiziksel olmayan negatif bant aralığı ve hatalı işaretli Seebeck değerleri üretiyorlar.

Tahminden Yönlendirilmiş Tasarıma

KAN’lar sadece sayısal tahminler yerine açık, düzgün formüller çıktığı için, hangi temel tanımlayıcıların değişmesinin termoelektrik performansı nasıl kaydıracağını keşfetmek için kullanılabilirler. Bu tanımlayıcılar hâlâ derin bir yapısal kodlayıcıdan türetilmiş soyut nicelikler olsa da, atomik düzenlemeler ve bağlanmayla ilgili gerçek özelliklerle korelasyon gösterirler. Bu, araştırmacıların analitik KAN modelini bir tür harita olarak kullanabileceği anlamına gelir: yüksek Seebeck katsayısı ve uygun bant aralığı ile ilişkilendirilen bölgelere tarama yaparak umut vaat eden malzemeleri daraltabilir, sonra bu tanımlayıcı desenleri büyük veritabanlarındaki aday kristal yapılara veya üretken tasarım araçlarına geri bağlayabilirler.

Gelecekteki Malzemeler İçin Anlamı

Bir bilim dışı okuyucu için temel mesaj şudur: bu çalışma malzeme keşfi için "cam kutu" yapay zekâya bizi yaklaştırıyor. Kolmogorov–Arnold Ağları en iyi siyah kutu tahminciler kadar neredeyse iyi performans gösterirken, aynı zamanda bir kristalin yapısal özelliklerinin ısıyı elektriğe çevirme yeteneğiyle nasıl bağlantılı olduğunu matematiksel biçimde ortaya koyuyor. Hız, doğruluk ve yorumlanabilirliğin bu bileşkesi, bilim insanlarının hangi yeni bileşikleri sentezleyip test edecekleri konusunda bilinçli seçimler yapmasına yardımcı olabilir ve böylece ham veriden gerçek dünya termoelektrik cihazlarına, atık ısının toplanması ve enerji verimliliğinin artırılmasına giden yolu kısaltabilir.

Atıf: 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

Anahtar kelimeler: termoelektrik malzemeler, yorumlanabilir makine öğrenimi, Kolmogorov–Arnold ağları, malzeme tasarımı, Seebeck katsayısı