基于集成学习框架的二维材料氢存储性能精准可解释预测研究：从MXenes到硼烯的拓展

本文创新性地构建了集成学习（Ensemble Learning）框架，结合第一性原理计算（DFT）与机器学习（ML），通过建立21个物理描述符并筛选MLR/XGBoost/BR/GBR四种最优算法，实现了MXenes材料氢存储性能的高精度预测（如Ti2CT2案例验证），并首次拓展应用于硼烯体系，为二维材料（2D Materials）的固态储氢（Solid-state Hydrogen Storage）研究提供了兼具预测精度与机理解释性的新范式。

　　

Highlight

本研究通过集成学习框架突破性地实现了二维材料氢存储性能的精准预测，其创新性体现在：1）建立包含离子半径等21个关键物理描述符的预测体系；2）首次将预测范围从MXenes拓展至硼烯新体系；3）揭示X元素离子半径对储氢性能的主导作用，为材料设计提供明确指导。

Machine learning algorithms

多元线性回归（MLR）算法通过构建连续因变量与多个自变量的线性关系模型进行预测，其基本公式为y_i=ω₀+Σω_jx_ij+ε_i。本研究还采用XGBoost、贝叶斯回归（BR）和梯度提升回归（GBR）等算法，通过加权集成显著提升预测鲁棒性。

Types, structures, and research processes of MXenes

具有类石墨烯结构的过渡金属碳氮化物MXenes（化学式M_n+1X_nT_z）是本研究的重点靶材。如图2所示，当n=1时，M₂X和M₂XT₂的晶体结构中，表面功能团T（如O^2-/OH^-）通过不饱和配位键显著影响储氢性能。

Conclusions

该集成学习框架通过整合DFT与ML技术，系统评估8种算法后优选MLR/XGBoost/BR/GBR构建加权模型。以Ti₂CT₂为范例的验证显示预测结果与理论/实验数据高度吻合，特征重要性分析揭示X元素离子半径是影响储氢性能的最关键描述符。该框架为加速新型储氢材料开发提供了兼具效率与解释性的研究工具。