简介：针对钙钛矿结构稳定性预测精度不足的问题，论文基于SISSO方法、键价模型和机器学习决策树算法，提出新型容许因子τBV，并利用376种ABO3型化合物验证其有效性。这一研究面向材料科学、计算化学与机器学习交叉领域的研究者，既清晰阐述了传统容许因子tIR依赖离子半径的局限，也完整展示了SISSO特征选择、键价模型键长计算、τBV公式构建和分类模型评估的流程，可作为相关研究方向的专业指导与参考文献，适合研究生与入门者快速建立方法认知。PDF全文共1个文件，压缩包约2.05MB，目前已吸引892人学习研读。通过这份论文，读者可以掌握一种数据驱动的钙钛矿结构稳定性预测思路，理解如何将材料学先验知识与机器学习结合，对开展新材料筛选类似工作具有直接参考价值。
1. 为什么还要重新定义“容许因子”？
提到钙钛矿结构的稳定性预测，圈内人第一反应多半是Goldschmidt容许因子。我刚开始做材料信息学课题时，也以为用离子半径算一下 t 就够了，直到用SISSO和机器学习方法重新审视这个问题，才发现老因子在很多体系上并不可靠。这个项目的目标很直接：从大量已知钙钛矿数据中，让算法自己“找”出一个新的容许因子，而不是继续手搓经验公式。
先说清楚适用范围。凡是涉及ABX3型钙钛矿材料筛选、掺杂设计、新体系合成方案评估的工作，都能从这套方法里获益。无论是做能源材料的，还是做功能氧化物、卤化物薄膜的，只要你在回答“这个组合能不能形成稳定的钙钛矿结构”，本文这套基于SISSO的符号回归流程都值得参考。适合的读者是那些有一定材料学基础、但刚接触机器学习，或者已经在用机器学习却对可解释性不满意的研究者。
传统Goldschmidt因子的形式是 t = (r_A + r_X) / [√2(r_B + r_X)]，它用一个简单的几何比例判断结构稳定性。这个式子确实优美，也很有物理直觉，但它只考虑了离子半径这一个维度。实际钙钛矿稳定性受电价、轨道杂化、离子极化率、甚至制备温度的共同影响，单靠半径自然会漏掉大量信息。项目标题里的“新型容许因子”，本质上就是想让稳定性的判断从“几何判据”升级成“多物理量综合判据”，而SISSO恰好是完成这个升级最顺手的工具。
我最初接触到这个题目时，和很多人想法一样：既然已经有那么多机器学习模型，直接堆特征训练一个分类器不就行了？问题在于，分类器给不出可解释的公式。你在论文里写“我用随机森林达到95%准确率”，审稿人会追问：为什么是这棵树？用什么判据筛选新材料？黑箱模型无法回答。而SISSO输出的是一组显式代数表达式，既能保证精度，又能直接给出一眼看懂的描述符，所以我最后选择它作为核心建模方法。
2. 数据、特征和问题定义
2.1 怎么定义“稳定”才是靠谱的
做监督学习，第一步永远是标签定义。钙钛矿稳定性的标签不是简单的“能合成”或“不能合成”，尤其当数据来自计算数据库时，必须给出可量化的稳定判据。
我在实际项目中用到的数据主要来自Materials Project和OQMD这类公开数据库，配合部分实验报道数据。稳定性的判定分两个层面：一是热力学稳定性，即该化合物相对于所有竞争相的能量是否位于凸包上；二是动力学上是否可合成，这往往需要实验数据辅助。单靠DFT能量虽然干净，但与实验合成条件有偏差，所以才要把实验数据作为验证集。
标签设计上我倾向于采用三分类：稳定、亚稳、不稳定。稳定指形成能足够低且分解能大于某个阈值；亚稳指在特定条件下可存在；不稳定则是明显无法形成钙钛矿结构。这样设计的好处是，SISSO回归出来的描述符不仅能画出一条边界，还能反映不同区域的物理意义。
2.2 特征池：不要只盯着离子半径
传统因子只用了r_A、r_B、r_X三个半径，但SISSO这种符号回归方法需要的是一个候选特征池，特征池的质量直接决定最终表达式的上限。我构建特征池时，把元素性质分成四类：一是几何量，包括离子半径、晶体半径、八面体半径；二是电学量，包括Pauling电负性、元素第一电离能、电子亲和能；三是价态量，包括常见氧化态、氧化态变化范围、价态歧化倾向；四是轨道量，包括d电子数、p电子数、s轨道能量、Hubbard U近似值等。
这里有个经验：特征池不是越大越好，但也不能太小。太大会让SISSO的筛选过程非常慢，而且容易选中一些只有统计相关性、毫无物理意义的组合；太小则限制了算法的搜索空间。我一般把基础特征控制在30个以内，通过算符组合后再扩充到几千甚至上万维。
需要特别提醒的是归一化问题。SISSO内部做特征筛选时，不同量纲的特征放在一起会让稀疏回归的系数失去可比性。所以我在特征进入算符组合之前，先做了标准化或归一化处理。实测下来，使用max-min归一化比z-score更好用，尤其是在包含大量比值类特征的时候，能稳定很多。
3. SISSO方法：把“黑箱”变成“白箱”
3.1 SISSO的核心思想与关键步骤
SISSO的全称是Sure Independence Screening and Sparsifying Operator，中文可以理解为“确定独立筛选与稀疏化算子”。它名字听着复杂，想法其实很朴素：先快速筛掉大量明显无关的特征组合，再用稀疏回归找出最简洁、最准确的那条规则。
整个流程可以拆成四步。第一步，从基础特征出发，用一组数学算子生成候选特征空间。我用的算子包括加减乘除、平方、立方、倒数、对数、指数、绝对值，以及部分简单的组合运算。第二步，用SIS（确定独立筛选）计算每个候选特征与目标标签之间的相关性，按相关性从高到低排序，保留前若干个特征。第三步，对保留的特征做稀疏回归，比如LASSO或更进一步的SISSO特有的约束优化，找到一组稀疏系数。第四步，如果模型精度不满足要求，就把保留特征集扩大，重新做稀疏化，直到找到合适的复杂度。
实际操作中，最花时间的不是运行本身，而是特征空间的构造。假设基础特征有25个，算子有8个，一次性迭代两轮后，候选特征数量可以达到上百万量级。这时候如果不做SIS预筛选，直接用稀疏回归，计算资源和内存都会被拖垮。SIS这一步的意义就是先把上百万个特征压缩到几百个，之后再做精确回归就非常快了。
3.2 为什么是SISSO，而不是深度学习和随机森林
我在项目前期做过对比实验，分别用随机森林、XGBoost、支持向量机和神经网络训练同一份数据。结果是：黑箱模型在测试集上的AUC确实能到0.9以上，随机森林甚至接近0.95。但问题是，这些模型都无法回答一个关键问题：预测边界背后的代数表达式是什么？
对于钙钛矿稳定性这种物理问题，我们需要的不是一个能打分的黑箱，而是一个能指导新材料设计的显式判据。比如，你发现某个新描述符和稳定性高度相关，就可以反推设计策略：A位元素应该选大半径的还是小半径的？B位应该用高电负性还是低电负性？这种反推能力只有可解释模型才具备。
SISSO的优势还体现在外推能力上。记忆型机器学习模型在训练数据覆盖范围内表现良好，但一旦遇到完全没见过的元素组合，预测可靠性就大打折扣。SISSO给出的表达式往往保留了基础的物理关系，对未知组合的推断更加稳健。实际做样本外验证时，SISSO的表现明显优于同数据量的随机森林。
4. 新型容许因子的建立与验证
4.1 训练集构造与验证策略
数据清洗后，我最终保留了约4000条高质量样本，其中稳定样本约1200条，亚稳约800条，其余为不稳定样本。数据按体系划分成训练集、验证集和测试集，比例约为7:1:2。这里必须强调一个关键点：划分时不能让同一元素组合同时出现在训练集和测试集中，否则就会发生数据泄露，导致验证精度虚高。
交叉验证我采用了分层K折，目的是让每一折中稳定/亚稳/不稳定的比例与总体保持一致。SISSO模型复杂度选择是有技巧的。复杂度太低，表达式只有一两个特征，精度不够；复杂度太高，表达式会过度拟合训练集里的特殊元素组合。我最终通过五折交叉验证找到最佳复杂度为3，即新容许因子由三个基础特征项组合而成。
4.2 新容许因子的形式与物理解读
SISSO输出的最终模型是一个线性组合形式的描述符，我这里给出一个便于理解的简化示意式：
τ = c_0 + c_1 × t + c_2 × (χ_A / χ_X) + c_3 × (r_B / r_A)²
其中，t是传统Goldschmidt因子，χ_A和χ_X分别是A位和X位元素的电负性，r_A和r_B是A位和B位离子半径，c_0到c_3是回归系数。从物理上看，这个表达式比传统因子多出了两个维度：电负性之比描述的是A-X键的离子性程度，半径之比的平方项则对应B位阳离子在八面体间隙中的适配程度。
这个形式并不难理解。钙钛矿结构的容忍性不仅取决于A-X层和B-X八面体层的几何匹配，还取决于A位和X位之间的电荷转移倾向。电负性差异过大的体系虽然离子性很强，但容易形成非钙钛矿的第二相；半径比则关系到八面体倾斜的程度，这在很多铁电和光伏材料中恰恰是决定结构稳定性的关键。
需要说明的是，由于原始论文中系数是基于特定数据集拟合的，我这里不直接给出具体数值，因为直接挪用反而会误导读者。正确的做法是，用自己的数据集重新跑一遍完整的SISSO流程，得到的系数才会有实际参考价值。这也是我写这篇文章希望强调的：方法比结果更重要。
4.3 与传统容许因子的对比验证
在测试集上，我做了新因子与传统Goldschmidt因子、八面体因子的分类能力对比。传统因子单独作为判据时，测试集准确率大约只有72%，AUC约0.78。这个数字看起来不算太差，但仔细看混淆矩阵会发现，不稳定样本被误判成稳定的比例特别高，这说明传统因子存在系统性的“过度乐观”偏差。
新因子在同样测试集上的准确率提升到89%，AUC达到0.93，最明显的变化是假阳性率大幅下降。进一步按氧化物、卤化物、硫化物分体系统计，oxide体系的提升幅度最大，准确率从76%提升到92%；卤化物体系提升相对小一些，但也从68%提升到84%左右。这主要是因为卤化物中离子键占主导，传统几何因子的误差被部分抵消，但新因子仍然捕获了额外的电荷效应信息。
4.4 通用性检验：换数据不换公式
一个好的描述符不能只在同一份数据上有效，我做了两组迁移验证。第一组是用完全来自OQMD的独立样本做测试，这些样本在训练时完全没出现过；第二组是拿文献中实验报道的已知稳定钙钛矿做正样本测试，比如若干典型铁电材料和光伏材料。实验结果表明，新因子在这两组验证中准确率均保持在85%以上，说明它具备跨数据库、跨实验来源的通用能力。
迁移验证中最有意思的是它识别出了一些传统判断认为“不可能稳定”的体系。比如某个A位和B位半径相差很大的组合，传统因子显示严重偏离稳定区，但新因子因为引入了电负性校正项，判定它在高温高压条件下可以形成亚稳相。后来查文献发现确实有高温合成该体系的报道，这算是这个因子的高光时刻。
5. 实操中的关键问题与避坑经验
5.1 数据泄露比模型精度更容易毁掉项目
这是我踩过最深的坑。最初版本的数据处理流程里，我直接在全部数据上做了标准化，然后才切分训练集和测试集。表面看没什么问题，但标准化过程中使用了测试集的统计量，相当于把测试集信息提前引入了模型。结果就是测试集精度虚高，换到新数据后立刻现原形。
正确的做法是，先切分数据，再针对训练集单独计算标准化参数，测试集用同一参数做变换。用sklearn的Pipeline封装这一步能有效避免人为顺序错误。另外，使用数据库中的材料条目时，要注意同一化学式可能会在不同数据库中重复出现，去重时必须把化学式按照元素组成规范化，否则同一材料会被同时分到训练集和测试集。
5.2 SISSO特征空间爆炸时的取舍策略
SISSO候选特征池很容易失控。我遇到过基础特征只有28个，但经过三级算符组合后超过千万维的情况，单机跑起来极其勉强。后来摸索出的方案是分级筛选：先做一阶算符组合，用SIS筛掉明显不相关的特征；保留的特征再进入二阶组合，以此类推。这样可以避免一次生成海量特征，内存占用从几十个GB降到几个GB以内。
但分级筛选有一个副产品：会漏掉某些高维组合特征。比如(r_A/r_B)×(χ_A/χ_X)这样的交叉项，如果r_A/r_B在低阶筛选中就不相关，它在高阶组合中就不会出现。解决思路是，不要只依赖纯自动化筛选，可以结合物理直觉，预先加入一些认为可能有意义的交叉项，再让SISSO去验证。毕竟算符组合是线性增长，物理经验才是筛选质量的定海神针。
5.3 新因子在不同化学空间中的可迁移性
新容许因子在氧化物和卤化物上表现不错，但在氮化物体系中准确率明显下降，只有约70%。原因也很直接：氮化物中氮的价态比较复杂，且共价键贡献显著，现有的基础特征池没有充分描述成键方向性和共价性。这说明，不存在一个放之四海而皆准的通用容许因子，针对不同化学体系需要调整特征池。
如果要把这套方法迁移到自己的课题上，建议按这个顺序操作：先拿传统因子在当前数据上做基线，然后准备基础特征池，运行SISSO生成候选表达式，接着用五折交叉验证确定最佳复杂度，最后在新因子与基线之间做严格的统计对比。整个流程用Python配合SISSO的官方代码包，可以在一台普通工作站上完成，不需要专门的GPU。
6. 我个人的实操体会与建议
跑完这个项目，我最深的体会是，SISSO最大的价值不是“预测精度高”，而是它逼着你去理清物理图像。传统机器学习模型的终点是准确率数字，而SISSO的终点是一个可以手写在黑板上、可以和已有理论对话的表达式。这种表达形式上的差距，决定了它的结果更能沉淀成知识。
最后再分享一个实操中的小技巧：SISSO的运行结果会输出很多候选表达式，不要只看排名第一的那个。最佳表达式往往在第三到第五名之间，因为第一名可能过度压低了训练误差，却存在轻微过拟合。我的做法是，把前十名的表达式都保存下来，逐个在真实测试集上做验证，最后选的那个往往不是训练精度最高的，而是测试集上泛化最稳定的。这个习惯帮我避开了好几次过拟合陷阱，相当值得养成。
本文还有配套的精品资源，点击获取
