近日，贵州大学公共大数据国家重点实验室在高导热聚合物基复合材料与机器学习辅助材料设计领域取得重要研究成果。由实验室特聘教授薛白领衔的研究团队在国际顶级期刊《Journal of Materials Sciences & Technology》（IF=14.3）发表题为“Interpretable high-throughput machine learning-based screening of high-thermal-conductivity composites with experimental validation”的研究论文。该研究旨在优化材料设计流程、降低实验成本并识别影响热导率的关键因素。特聘教授薛白为第一通讯作者，2023级硕士研究生张宇为第一作者，研究成果与四川大学合作完成。文章链接：https://doi.org/10.1016/j.jmst.2025.12.045。

构建机器学习辅助的高导热材料高通量筛选新路径

该研究针对传统“试错式”材料研发效率低、成本高、难以揭示组分与性能间复杂关系的问题，构建了包含370组样本的高导热碳填充/聚合物基复合材料数据集，系统整合了文献中的组分特征与热导率信息。在此基础上，提出一种残差校正策略，实现对材料体系中线性与非线性特征关系的同步捕捉，分类准确率达到96.77%。同时，结合SHAP可解释性分析发现，数值型特征对热导率的贡献显著高于类别型特征，其中填料含量被确定为主导因素。基于模型在32,327组高通量设计组分空间中的筛选结果，最终选取3种候选体系进行实验验证，其实测热导率与模型预测完全一致。

图1：机器学习辅助高导热聚合物复合材料开发思路示意图

树立可解释机器学习材料应用发展新范式

该研究充分展示了机器学习与实验验证深度融合在高导热复合材料加速开发中的巨大潜力，为可解释性机器学习在材料科学中的应用提供了重要范例。

图文：薛白

责编：李志刚

编审：龙慧云