近日，北京信息科技大学计算机学院软件工程专业本科生赖瑞林，在刘晓彤副教授指导下，围绕人工智能与材料科学交叉融合方向开展科研探索，相关研究成果发表于SCI二区TOP期刊 Journal of Chemical Information and Modeling（https://pubs.acs.org/doi/abs/10.1021/acs.jcim.6c00893），赖瑞林同学为文章第一作者，我校为第一单位。我校研究生王雨航同学，去年来访我校的比利时新鲁汶大学教授Gian-Marco Rignanese及中科大李微雪教授共同参与了此项研究。在名为《Family-Wise Feature Importance Stability in Chemical and Materials Machine Learning》的工作中，作者团队围绕人工智能模型在化学与材料机器学习中可解释性的可靠性展开探索，旨在提升AI辅助材料设计过程中可解释性研究的可信度。该工作获国家自然科学基金（22203008）及北京市自然科学基金本科生“启研”项目（QY26313）支持。

成果简述

随着人工智能技术的发展，机器学习模型正在成为材料性能预测和智能设计的重要工具。通过学习大量材料数据，人工智能能够建立材料组成、结构与性能之间的关联关系，为发现材料规律和加速材料设计提供新的研究路径。

然而，在AI辅助科学研究过程中，仅依靠模型预测精度并不足以支撑可靠的科学发现。由于不同机器学习模型和模型解释方法具有不同的学习机制，同一材料数据可能得到不同的关键特征排序。如果这些特征重要性结果缺乏稳定性验证，可能影响研究人员对材料规律的理解以及科学结论的可靠性。针对这一问题，团队围绕化学与材料机器学习中的特征重要性稳定性问题开展研究。论文构建并比较了涵盖数据驱动方法、模型驱动方法以及公式分析方法在内的26种特征重要性分析流程，并在金属–载体相互作用、高熵合金以及卤化物钙钛矿等多个材料体系中开展系统分析。

研究重点探讨了不同机器学习模型和解释方法在关键材料特征识别过程中的一致性与差异性，分析模型结构和分析方法对特征重要性评价结果的影响规律。研究发现，部分材料特征能够在多种分析方法中保持稳定，而部分特征的重要性评价结果具有明显的方法依赖性。同时向读者再次印证，目前常用的可解释机器学习方法大多是在解释模型输出，而不能武断地认为是在解释物理规律。该研究为理解人工智能模型如何挖掘材料数据中的潜在规律，以及构建更加可信、可解释的AI辅助材料设计方法提供了新的研究思路。

青年学子探索人工智能赋能材料研究

2025年7月，赖瑞林开始围绕人工智能与材料科学交叉融合方向开展科研探索。研究过程中，赖瑞林结合计算机专业背景，将机器学习算法、数据分析方法以及模型解释技术应用于材料科学问题研究，探索人工智能模型在材料数据分析和科学规律发现中的应用。在刘晓彤老师指导下，围绕研究问题凝练、技术路线设计、实验方案优化以及科研写作等环节开展系统学习与实践，并在课题组研究生王雨航的帮助下，不断完善研究方案，推进相关研究工作。同时，论文共同通讯作者Gian-Marco Rignanese教授和李微雪教授在研究思路完善、学术讨论以及成果推进等方面给予了指导与支持，共同推动了该研究工作的开展。

经过前期持续探索，围绕化学与材料机器学习中特征重要性稳定性问题的研究取得了阶段性成果。2026年4月，赖瑞林参加了在广州南沙国际会展中心举办的首届中国“AI+新材料”大会。大会汇聚了人工智能、材料科学以及相关产业领域专家学者，围绕人工智能赋能新材料研发、智能计算材料设计等前沿方向展开深入交流。结合已有研究成果，与相关领域专家学者进行了交流讨论，进一步了解了人工智能与材料科学交叉领域的发展趋势，也为后续研究分析、实验完善以及成果优化提供了新的思路。