在材料科学的前沿，极端条件（如，超高压）是发现新物态、新效应的“炼丹炉”。然而，高压下材料的微观电子行为异常复杂，传统的“试错”实验与海量的第一性原理计算数据之间，仿佛隔着一片迷雾。我们如何从这些高维、非线性的计算数据中，直接提炼出支配材料性能的核心物理规律，而不仅仅是获得一个预测结果的“黑箱”？

近期，我们团队在《Inorganic Chemistry》和《Computational and Theoretical Chemistry》上发表的两项工作，正是针对这一方法论瓶颈的探索。我们尝试融合“可解释机器学习”与“符号回归”，让人工智能（AI）不仅做预测，更能担任“科研合作者”的角色——帮助我们识别关键物理参量，并直接推导出定量描述其作用的解析公式。

一、 核心思路：让AI“解释”并“归纳”

我们的研究范式可分为两个逻辑步骤：

1. 定位“关键序参量”（可解释机器学习）：面对包含晶格参数、电荷转移、电子空间分布等数十个描述符的复杂数据集，我们首先利用SHAP等可解释机器学习算法进行分析。其目的并非追求极致的预测精度，而是定量评估每个描述符对目标性质（如带隙、焓值）的贡献度，从而从众多候选因素中，锁定少数几个起主导作用的物理量。这相当于为复杂系统进行“特征降维”，找到问题的核心抓手。

2. 发现“简洁物理公式”（符号回归）：基于筛选出的关键物理量，我们采用“符号回归”方法。该方法仅使用基本数学运算符（+、-、×、÷、乘方等）作为“基因”，通过进化算法自动组合、迭代，寻找最能拟合数据的数学表达式。整个过程不预先植入任何物理模型，最终由AI“自主发现”一个或多个简洁的解析公式。这实现了从“关键物理量”到“定量物理规律”的跨越。

二、 在具体材料体系中的验证

1. 高压透明钠（hP4-Na）：带隙的“电荷-空间”二元律

高压下钠转变为透明绝缘体，是电子化合物（electride）研究的标志性现象。其带隙起源是核心问题。通过上述方法，我们揭示出从钠原子转移的电荷（Q_Na1）与间隙局域电子的相对占据体积（V_ISQ/Cell）是协同调控带隙的两个最核心序参量。

符号回归进一步给出了一个高度精确的解析公式：

带隙=Q_Na1⁶/V_ISQ/Cell³-V_ISQ/Cell/Q_Na1²

该公式具有清晰的物理图像：第一项代表高度间隙局域化电子的强关联效应（利于打开带隙），第二项反映电子离域效应（利于缩小带隙）。带隙由此二者的竞争与平衡所决定。这个由数据直接“涌现”出的公式，首次以如此简洁的数学形式，定量刻画了高压钠电子结构与宏观光学性质之间的因果关系。

这项工作为理解电子化合物的绝缘性起源提供了定量公式，并提示间隙局域电子的空间分布可能是统一理解电子化合物材料绝缘与超导等多样性质的关键。

原文链接：https://doi.org/10.1021/acs.inorgchem.6c00324.

2. 铝铜合金（AlCu）：相变的“电子转移”驱动力

对于实用的1:1 AlCu合金，我们明确了其在0-200 GPa压力下的相变路径：I2/m→Pmma→Pm-3m。可解释机器学习分析表明，驱动这一结构演化的首要电子机制是从Al原子到Cu原子的电荷转移量（Δq）。压力通过加剧电荷转移，驱动晶格失稳并发生相变。

同样，通过符号回归获得的解析表达式，能以极高精度预测合金的形成焓，其数学形式直观印证了Al-Cu键长与电荷转移量是决定相稳定性的微观钥匙。

该研究为合金高压相变提供了基于电子重排的定量物理图像，将微观电荷动力学与宏观相稳定性直接关联。

原文链接：https://doi.org/10.1016/j.comptc.2026.115713.

三、 方法论意义：迈向“白箱”与“可理解”的材料智能设计

这两项工作的价值，更在于其展示的方法论前景：

超越“黑箱”：研究实现了从“数据输入-性质输出”的黑箱模型，到“关键物理参量输入-透明物理公式输出”的白箱模型的转变，极大增强了模型的可靠性与可解释性。

连接“尺度”：所获得的公式，充当了连接微观电子结构描述符与宏观可观测性质之间的“可读”桥梁，促进了跨尺度理解。

提供“范式”：“描述符构建→可解释ML筛选→符号回归提炼”这一流程，具备向超导、催化、热电等更多材料性质体系推广的潜力，为材料理性设计提供了一种通用的智能分析工具。

四、 总结与展望

我们相信，将数据驱动的高通量计算与追求物理透明的可解释人工智能深度融合，是应对材料复杂体系设计挑战的一条有力途径。未来，我们将致力于拓展此框架，纳入更多物理约束与更广泛的性质描述，目标是为实现材料的“性能导向、理性设计”构建一个坚实的智能计算基础。

（AI辅助创作）