第一性原理与可解释AI协同设计HER/ORR催化剂

将第一性原理计算与机器学习融合的策略已取得显著成就，为快速精确预测化学物理性质及虚拟设计材料奠定了基础。然而，这类技术常被视作“黑箱”，侧重于追求高精度却忽视模型得出预测结果的具体逻辑。引入机器学习的可解释性不仅能改善这一现状，还能挖掘材料化学与物理学的新见解。因此，下一代模型必须通过嵌入可解释人工智能（XAI）工具来确保可解释性。特别是机器学习辅助的材料发现与设计，能从XAI中获益匪浅。开启解释机制能增强方法的影响力，不仅给出候选材料列表，还能阐明材料为何优于他者。基于此，本文以产氢和发电用的非均相催化剂为例，提出了一种基于反事实解释的新型材料设计策略。作者筛选出性质接近目标的材料，并经密度泛函理论验证。通过对比原始样本、反事实样本及候选材料，构建了解释机制。这些解释揭示了特征与目标性质间的微妙联系。该方法适用广泛，为高通量筛选或生成模型等策略提供了替代方案，并首次以可解释性为核心驱动力。

在材料科学与催化领域，析氢反应（HER）和氧还原反应（ORR）是氢能及绿色能源转换中的核心电化学反应。催化剂活性主要受中间物种（H、O、OH）在表面的吸附能（E_ads）控制。依据Sabatier原理，最佳吸附能应适中：过强会导致表面中毒，过弱则限制反应速率。密度泛函理论（DFT）是计算吸附能的主流手段，但成本高昂，大规模筛选时效率较低。近年来，机器学习（ML）结合第一性原理计算虽被广泛用于性质预测和虚拟设计，但传统ML常被视作“黑箱”，只重精度而忽视决策逻辑的可解释性。这种缺乏解释的做法不仅可能引发虚假关联（Clever Hans效应），也阻碍了ML从化学物理层面为材料设计提供新洞见。

目前，ML在催化材料设计中的应用主要聚焦于高通量筛选和生成模型。这些方法虽能发现潜在的新型催化剂、药物或光伏材料，却普遍缺失对“为何某材料优于他者”的机制解释。在涉及可解释人工智能（XAI）的研究中，常用特征重要性分析（如SHAP值），但这存在局限：它不具备可操作性，无法指导研究者如何调整特征以改变输出。相比之下，反事实解释作为XAI工具，通过构造“若改变特征，输出如何变化”的实例，提供更具指导性的信息。尽管反事实解释已在分子药物化学中初显身手，但在多相催化与无机材料设计领域应用有限，尚未形成系统的XAI驱动策略。

该研究采用ML辅助材料设计方法时缺乏内在的可解释性驱动机制，致使研究者仅能获取候选材料清单，却无法理解材料的优越性所在。