图1.典型材料晶体结构及电子局域分布
图2.机器学习数据图
高性能 X 射线探测器是高分辨率医学成像、工业无损检测、深空探测及高能物理等前沿领域的核心器件，其灵敏度与信噪比直接取决于探测材料将高能光子转化为电信号的效率。当前商用材料普遍存在灵敏度、稳定性、工艺兼容性难以兼顾的瓶颈，而传统 “试错” 实验与第一性原理计算成本高昂，严重制约了新材料的研发效率。
近日，中国矿业大学材料与物理学院 2023 级本科生韩清宁在黄胜副教授指导下，创新性提出融合半导体物理机制与可解释机器学习的研究框架，突破了传统 “黑箱” 数据驱动模型难以揭示物理机理的局限，实现了 X 射线探测材料构效关系的精准解码。相关成果以"Decoding the structure-property relationships of X-ray detection materials via interpretable machine learning"为题发表于《Sensors and Actuators: A. Physical》（JCR Q1，IF=5.1）
研究结合第一性原理计算与电子定域函数分析典型材料微观电荷分布对比图，系统揭示了三类描述符的微观物理内涵：电负性无序度（ENdisorder）反映晶格局域静电势的涨落强度，高灵敏材料（如HgI2）的电荷云高度局域化，可形成强内建电场驱动光生载流子分离、抑制非辐射复合；有效原子序数（Zeff）对应 X 射线散射向光电效应转变的物理阈值，高 Z 体系可形成高密度电子云网络，显著提升光子吸收效率；电负性方差（ENvariance）则表征化学键的极化杂化程度，与材料带隙调控、缺陷容忍特性密切相关。
针对材料领域小样本数据的特点，研究采用留一法交叉验证（LOOCV）严格规避信息泄漏风险，对六种主流机器学习算法开展系统对比。测试结果显示，极端随机树（ExtraTrees）模型综合性能最优：整体分类准确率达 85.2%，高灵敏材料召回率 91.7%，ROC 曲线下面积（AUC）为 0.828，各项指标均显著优于随机森林、支持向量机等基线模型，具备高通量筛选的工程实用价值。
更为关键的是，基于 SHAP 的可解释性分析验证了模型的物理自洽性：在未输入任何先验物理公式前提下，算法自动将ENdisorder、Zeff、ENvariance 识别为三大核心决策特征，与微观电荷动力学机理高度吻合，从数据层面印证了特征体系的物理合理性，破解了传统机器学习的“黑箱”质疑。
该研究建立了一套无需依赖高成本第一性原理计算的跨体系智能筛选框架，为金属卤化物、钙钛矿及宽禁带氧化物等多类材料的理性设计提供了新思路，未来有望为超低剂量柔性医学成像、深空极端辐射探测等前沿器件研发提供理论与技术支撑。
论文链接：https://doi.org/10.1016/j.sna.2026.118197
作者简介：韩清宁，中国矿业大学材料与物理学院材料科学与工程专业2023级本科生，男，汉族，中共预备党员。曾获2024-2025年度国家奖学金、平煤神马奖学金；获校级优秀学生、暑期社会实践先进个人、优秀青年志愿者等荣誉称号；获国际大学生数学建模竞赛二等奖、第十五届Mathorcup数学应用挑战赛江苏赛区二等奖、第五届江苏省节能减排社会实践与科技竞赛三等奖等省级及以上奖励近10项；以第一、第三作者分别发表SCI论文1篇，以第二作者身份申请发明专利一项。
新闻来源：材料与物理学院
责任编辑：黄胜
一审一校：唐军
二审二校：李智
三审三校：范韶维
