近日，谢建新院士和宿彦京教授团队在Advanced Functional Materials发表综述成果“Interpretable Machine Learning Applications: A Promising Prospect of AI for Materials”，系统总结分析材料可解释机器学习的算法及功能，详细综述其在材料成分与微观组织对性能影响机理研究、材料内禀关系数学表达式的构建等方面的最新进展，并深入探讨该领域的发展前景与核心挑战。

在材料科学研究中，传统机器学习模型因“黑盒”特性，难以解释预测结果背后的物理机制，限制了其在材料科学研究中的应用。可解释机器学习通过材料知识嵌入等创新方式，既能保留模型的预测精度，又能清晰揭示材料性能与组成、结构之间的内在关联，有效推动材料科学从经验驱动向数据与知识双驱动转型，成为材料科学智能领域的重要发展方向。

团队提出，材料机理研究的可解释机器学习通常是综合利用物理化学特征参量池构建、关键特征量筛选、特征重要性分析等方法，分析元素、结构和微观组织对材料性能的显性影响规律，实现对材料性能影响机理和物理化学关联的深刻认识。其采用线性回归、决策树等“白盒”算法，结合材料科学先验知识，显著增强模型的物理一致性与可解释性。

计算、实验、数据与人工智能的深度融合，是未来材料科学实现颠覆性发展的核心路径。可解释机器学习在此过程中扮演关键角色，如通过第一性原理计算与机器学习的融合快速发现新材料特性，借助动力学计算与机器学习结合突破复杂材料系统难题。不过，该领域仍面临大规模高质量标注数据获取困难、复杂模型的物理可解释性不足、跨尺度全过程数字模型构建难度大等诸多挑战。