随着材料科学与机器学习技术的不断进步，现在可以在短时间内收集大量的材料数据，这就迫切需要开发能够处理如此庞大数据集的工具。科学家们自然想到了利用机器学习技术来解决这一问题，因为机器学习不仅具备快速数据分析的能力，还能够揭示新的知识，这是传统理论难以企及的。

为了将机器学习应用到实际的材料开发中，科学家与机器学习工具之间的紧密合作至关重要。材料科学家通常试图理解数据驱动模型背后的原理，以便从中获取可用于指导材料开发的信息。然而，由于许多机器学习方法的可解释性较差，这种努力往往困难重重，甚至进展缓慢。

在这种情况下，可解释性机器学习（即能够提供透明度和易于理解的机器学习）的概念应运而生。这类机器学习不仅需要具备高预测能力，还需要具备高度的可解释性。尽管已经有一些研究尝试实现这一点，但如何将其与科学家的合作相结合，仍缺乏具体的实例。

最近的研究展示了通过一种可解释的机器学习方法（称为分解渐进贝叶斯推理专家分层混合模型，简称FAB/HMEs）开发出具有异常能斯特效应的自旋驱动热电材料的过程。由日本NEC公司的岩崎由马教授领导的研究团队，使用了最先进的可解释机器学习模型，成功地展示了FAB/HMEs在材料科学中的应用。由于模型既具备高预测能力又具备高可解释性，材料科学家可以从这些模型中获得有关新材料开发的新知识。通过这些可解释模型得出的规律，研究团队成功开发出一种新型自旋驱动热电材料，其热电动势（SSTE）超过了现有的热电材料。此外，从数据驱动模型中发现的新见解也使研究人员能够更加全面地理解自旋驱动热电材料的机制。因此，可解释的机器学习模型不仅有助于开发全新材料，还可以指导相关理论的研究。

该研究近期发表于《npj 计算材料学》期刊（doi:10.1038/s41524-019-0241-9），有兴趣的读者可以点击链接获取论文全文。