威廉希尔足球网任捷团队创新可解释AI框架高效筛选超低热导率半导体，成果发表于《Npj Comput. Mater.》

威廉希尔足球网/上海自主智能无人系统科学中心任捷教授团队在机器学习识别超低声子热导率半导体领域取得了一项重要进展，研究成果以“Hierarchy-boosted funnel learning for identifying semiconductors with ultralow lattice thermal conductivity”为题发表于国际知名期刊《Npj Computational Materials》, 为基于机器学习的材料性质预测提供了高效且具可解释性的新框架。

机器学习在材料性质预测方面展现出巨大潜力，然而在广阔的化学空间中，具有昂贵性质标签的材料数据稀缺，这为机器学习在高效预测材料性质及揭示结构-性质关系方面带来了重大挑战。基于此，任捷教授团队创新地提出了一种层次增强的漏斗学习（HiBoFL）框架，极大地平衡了探索效率与计算成本（如图1所示），并成功应用于识别具有超低声子热导率的半导体。该框架通过无监督聚类缩小材料搜索空间，再结合高通量计算建立本地数据库，从而避免了没有明确目标的暴力从头计算，并最终训练可解释有监督预测模型快速筛选具有超低声子热导率的候选材料。

图1 用于加速功能材料发现的层次增强漏斗学习（HiBoFL）框架：（a）HiBoFL框架的示意图，包括数据准备、无监督学习、数据标注和有监督学习；（b）将HiBoFL框架应用于高效识别具有超低声子热导率半导体的工作流程。

研究发现，所提出的框架能够高效地从数十万种材料数据库中识别出具有一系列超低声子热导率的半导体，并有潜力应用于热电领域。团队进一步结合第一性原理计算和机器学习可解释分析，创新地揭示了影响晶格非谐性的新物理因子，为超低热导率半导体的机制理解与设计提供了新思路。

williamhill官网智能科学与技术交叉学科博士研究生吴梦凡为论文第一作者，任捷教授为通讯作者。近年来，任捷教授团队在物理学与人工智能的学科交叉方面取得了一系列进展，已经发表了多篇高水平成果，包括基于流形扩散的无监督学习对拓扑声子物态的分类、多目标优化的二维功能材料与器件设计、辐射制冷人工微结构设计、神经网络自编码逆向设计拓扑光学传感结构、基于伪逆学习的光电混合的神经网络等，相关成果形成了一套具有自主知识产权的计算机软件著作权Darwin Machine for Multi-Functional Meta-Crystal Design Platform。

论文链接：https://www.nature.com/articles/s41524-025-01583-9