化学式为M₂X₂（其中M = Al, Ga, In, X = S, Se, Te）的单层III–VI族材料由于其新颖的电子结构和光学性质，包括高载流子迁移率和强光致发光，受到了越来越多研究人员的关注。通过堆叠不同的单层III–VI族材料，可以搭建种类丰富的III–VI族范德华异质结。本研究基于III–VI族范德华异质结高通量计算数据库（Chem. Mater. 2022, 34, 6687–6701），通过耦合机器学习和符号回归方法，开发了一个可解释性机器学习框架，将机器学习的“黑盒”模型转变为透明的“玻璃盒”模型。在高效预测III–VI族范德华异质结稳定性和电子结构的基础上，提出了一个仅由五个简单参数组成的带隙可解释性描述符，为成分、结构和电子结构之间的潜在物理关系提供了显式理解。

图3. 稳定性分类模型在测试集上的性能评价。（a）不同稳定性分类模型在测试集上的受试者工作特征（ROC）曲线。（b）XGBC模型的混淆矩阵，展示了测试集上真阳性（TP）、真阴性（TN）、假阳性（FP）和假阴性（FN）的数量。测试集由207个样品组成，其中稳定样品160个，不稳定样品47个。

图4. （a）SVR、（b）AdaBR、（c）LR、（d）XGBR、（e）RFR和（f）GBR带隙预测模型在测试集中的真实值与预测值对比，数据点颜色表示真实值与预测值之间的偏差。GBR模型在测试集上表现出了最好的性能，RMSE为0.114，MAE为0.113，R²为0.927。

图5.（a）XGBR、（b）RFR和（c）GBR带隙预测模型的SHAP特征的重要性分析，结合全局特征重要度与局部特征重要度对模型预测结果进行综合解释。

萨百晟，福州大学材料科学与工程学院教授，博士生导师。2014年获厦门大学博士学位，同年进入福州大学材料科学与工程学院工作。入选福建省杰青、福州大学“旗山学者”。共在Phys. Rev. Lett.、Adv. Mater.、Adv. Funct. Mater.、npj Comput. Mater.、Laser Photonics Rev.等国际知名学术期刊上发表SCI论文200余篇，被引6500余次，H因子43。长期从事基于密度泛函理论计算和机器学习的材料集成计算研究。

黄筱淳，2018年获中国科学院物理研究所理学博士学位。自2018年以来，先后在德国亚琛工业大学，汉堡大学、荷兰拉德堡德大学以及德国维尔茨堡大学（当前）进行博士后研究。目前主要研究方向是新型低维量子材料与器件。共在Science、Phys. Rev. X、Phys. Rev. Lett.、Adv. Mater.、Adv. Funct. Mater.、Nano Lett.、Phys. Rev. B等刊物公开发表高水平学术论文23篇，其中第一/通讯作者（含共同）论文10篇，Web of Science他引累计5277次。H因子14。

孙志梅，北京航空航天大学材料科学与工程学院教授，博士生导师。获得全国三八红旗手、教育部长江学者、国家杰青、国家万人计划领军人才、国家百千万人才工程并授予“有突出贡献的中青年专家”、国务院特殊津贴等多项荣誉。在Phys .Rev. Lett.、Proc. Natl. Acad. Sci.、J. Am. Chem. Soc.、Nano Lett.等国际知名学术期刊上发表SCI论文300余篇，连续4年（2020–2023）入选材料领域爱思唯尔中国高被引学者。出版专著《先进材料的计算与设计》。授权13项国家发明专利，16项软件著作权。主要研究领域为材料基因工程高通量算法、材料数据库、材料人工智能方法，相变存储材料等。

第一作者

史玉栋，福州大学材料学院材料工程专业硕士研究生，研究方向为可解释机器学习在光电材料中的应用。