将SHAP可解释性与集成机器学习相结合，以优化柔性电子聚合物的导电性能

《ACS Applied Polymer Materials》：Integrating SHAP Interpretability and Ensemble Machine Learning To Optimize Conductivity in Flexible Electronic Polymers

导电聚合物是柔性电子和储能的关键材料，但其电性能受九个合成参数影响且难以优化。本研究开发了一个机器学习框架，其中XGBoost和LightGBM算法表现最佳，预测R2达0.933。SHAP分析显示掺杂剂种类（59.85%）和氧化剂浓度（17.5%）是主要影响因素，最优导电性需在>80°C高温和<0.2 mol/L低氧化剂浓度协同下实现。

　　

导电聚合物是柔性电子设备和能量存储领域的重要材料，但其电性能对多种合成参数非常敏感，而这些参数很难通过实验进行优化。在这里，我们开发了一个机器学习框架，该框架能够基于九个关键合成变量准确预测聚合物的导电性。在测试的五种算法中，极端梯度提升（XGBoost）实现了最高的预测精度（测试R2 = 0.933），而轻量级梯度提升机（LightGBM）则表现出良好的性能且过拟合现象较少。Shapley加性解释（SHAP）分析表明，掺杂剂种类是影响导电性的主要因素（占59.85%），其次是氧化剂种类（占17.5%）和聚合物类型（占8.5%）。该模型还揭示了一些关键的非线性关系：导电性在30–60°C时达到最大值；当掺杂剂浓度超过2 mol/L时导电性急剧下降；在达到平衡状态后，导电性与反应时间的依赖性可以忽略不计。值得注意的是，在反应温度较高（>80°C）和氧化剂浓度较低（<0.2 mol/L）的协同条件下，导电性最佳，这种条件有助于分子排列并提高载流子的迁移率。我们的研究结果表明，在导电聚合物中，控制载流子传输的主要因素是掺杂剂驱动的酸碱掺杂强度，而非传统的酸碱掺杂强度。这一发现为有机电子材料的设计提供了理论依据，并展示了机器学习如何加速材料发现和优化过程。