材料AI邁向「可解釋時代」，日本團隊破解高維光譜黑箱，鎖定新材料發現關鍵特徵

**材料AI邁向「可解釋時代」：日本團隊破解高維光譜黑箱，鎖定新材料發現關鍵特徵**

**重點整理**

近年來，機器學習在材料科學領域的應用已從早期的結構─性質標量預測（如能隙、熔點等），逐步擴展到更複雜的高維物理量建模。然而，高維光譜數據（如吸收、反射、發射光譜）具有輸出維度大、結構複雜、物理約束強等特性，傳統機器學習方法難以兼顧精度與可解釋性。來自日本東京科學研究所（Institute of Science Tokyo）的研究團隊，攜手東北大學，近期提出了一種深度學習模型的解釋方法，能夠有效處理材料科學中的高維光譜數據。該研究已發表於學術期刊 *Advanced Intelligent Discovery*。

**背景脈絡：AI預測材料的「黑箱」困境**

AI在材料研發中的應用日漸普及，研究人員可根據材料的原子結構預測其行為，從而加速新材料發現、減少傳統試誤實驗的依賴。然而，多數AI模型如同「黑箱」——它們能做出準確的預測，卻無法解釋預測背後的邏輯。這使得科學家難以理解材料結構與性質之間的因果關係，也限制了AI模型在實際材料設計中的引導價值。

光譜數據尤其複雜。與單一數值代表的性質不同，光譜數據承載了材料與光在不同波長下交互作用的豐富資訊，但這也讓傳統AI方法更難解讀。光學性質在多個領域扮演關鍵角色——從顏料與染劑的外觀呈現，到太陽能電池、光偵測器等元件的光電轉換效率，皆與材料的光譜特性息息相關。因此，若能釐清哪些元素種類與結構特徵決定了光譜形狀，將為這類材料的理性設計建立重要基礎。

**研究方法：從數據到模型，再到可解釋的聚類分析**

研究團隊首先從Materials Project資料庫中篩選符合條件的材料，最終納入9,808種氧化物、硫族化合物及相關化合物進行第一性原理計算。在此基礎上，團隊進一步建構了一個包含2,681種化合物的光吸收光譜計算數據集。與標準密度泛函計算相比，經過光譜起始能量與形狀校正後，計算結果與已發表的實驗光譜吻合度顯著提高。

在模型建構方面，團隊採用了原子線圖神經網路（ALIGNN），這是一種現有的圖神經網路架構。模型訓練完成後，研究人員從其內部層提取特徵，並應用階層式聚類分析，將材料依照結構相似性（如元素組成、原子配位、鍵長、鍵角）與光譜形狀相似性進行分組。

**關鍵發現：模型自主學習結構─性質關聯**

這項研究最引人注目的發現之一，是AI模型僅從原子結構數據中學習，便自主掌握了結構與性質之間的關聯——研究團隊並未事先輸入氧化態或電子組態等資訊。透過特徵提取與聚類分析的結合，團隊成功鎖定了主要決定光吸收起始能量與強度的關鍵元素種類及其配位環境。換言之，這套方法讓研究人員得以「看見」AI模型究竟關注了哪些原子層面的特徵，從而為材料設計提供具體的物理與化學洞見。

**廣泛適用性與未來潛力**

這項方法的價值不僅止於無機晶體的光吸收光譜。研究團隊指出，該方法具有廣泛的適用性，可用於各種光譜數據的分類與解釋。此外，這套方法也能延伸應用於解釋原子排列如何在不同條件（如溫度、壓力變化）下影響其他材料性質，為設計具備特定目標特性的材料開闢了新的可能性。

**可能影響：加速材料研發，提升AI輔助研究的可信度**

從產業與科研的角度來看，這項突破的影響層面相當廣泛。可解釋性AI能讓研究人員在實驗環境中更安心地應用AI預測結果。當科學家能理解模型預測背後的推理依據，機器學習就能更有效地成為科學發現的工具。這項技術有望加速從再生能源、電子元件到感測器與先進製造等領域的新材料開發，同時提升學界與業界對AI輔助研究的信任度。

**讀者可關注的後續**

這項研究標誌著材料資訊學從「黑箱預測」走向「可解釋設計」的重要轉折。未來值得關注的發展方向包括：該方法是否會被整合進自動化實驗室（self-driving lab）的工作流程中、是否能成功應用於有機材料或複合材料體系、以及是否有更多研究團隊跟進開發針對不同光譜類型（如X光吸收光譜、拉曼光譜）的可解釋AI工具。隨著可解釋AI技術日益成熟，材料研發的效率與精準度可望迎來新一波躍升。