跳转至

文章背景与核心概要

纳米晶体的合成在现代材料科学中具有核心地位，然而传统的深度学习模型在预测纳米晶尺寸和形貌时，往往受限于黑盒属性，难以深入揭示其背后的化学合成机制。为了解决这一痛点，本文引入了纳米晶方程学习器（NanoEQL）这一全白盒神经网络框架。

该技术通过引入八种定制算子（包含用于解决零点奇异算子梯度爆炸问题的三种平滑算子）以及温度门控注意力池化策略，成功将浓度和反应活性驱动的化学机制编码进模型中。研究表明，NanoEQL 能够将纳米晶的最终尺寸建模为一个由三个核心标量（纳米结晶能力 \(-Z_p\)、生长能力 \(Z_{\text{rea}}\) 和外部输入电位 \(-Z_{\text{ops}}\)）所主导的可解释线性方程。这一突破不仅推动了纳米材料的理性设计，也为利用白盒机器学习破译化学反应机制建立了一种通用的范式。

通过可解释神经网络揭示纳米晶合成的尺寸决定机制 (Unraveling the Size Determination Mechanism of Nanocrystal Synthesis via Interpretable Neural Networks)

摘要 (Summary)

本文介绍了纳米晶方程学习器（Nanocrystal Equation Learner, NanoEQL），这是一个完全白盒的神经网络，旨在解码纳米晶合成的底层机制。NanoEQL 超越了标准的黑盒机器学习模型，结合了专用的数学算子和温度门控注意力池化策略。由此产生的框架将纳米晶尺寸建模为一个由三个核心标量控制的可解释线性方程：纳米结晶能力 (\(-Z_p\))、生长能力 (\(Z_{\text{rea}}\)) 以及 外部输入电位 (\(-Z_{\text{ops}}\))。这种方法推动了纳米材料的理性设计以及化学领域可解释机器学习的发展。

This paper introduces the Nanocrystal Equation Learner (NanoEQL), a fully white-box neural network designed to decode the underlying mechanisms of nanocrystal synthesis. Moving beyond standard black-box machine learning models, NanoEQL incorporates specialized mathematical operators and a temperature-gated attention pooling strategy. The resulting framework models nanocrystal size as an interpretable linear equation governed by three core scalars: nanocrystallization capability (\(-Z_p\)), growth capability (\(Z_{\text{rea}}\)), and external input potential (\(-Z_{\text{ops}}\)). This approach advances both the rational design of nanomaterials and interpretable machine learning for chemistry.

文章元数据 (Article Metadata)

  • arXiv ID: arXiv:2608.14734 [cs.LG]
  • 研究领域 (Subjects): 机器学习 (cs.LG); 材料科学 (cond-mat.mtrl-sci); 人工智能 (cs.AI)
  • 作者 (Authors): Kai Gu, Haizheng Zhong
  • 提交时间 (Submitted on): 2026年8月13日
  • DOI: 10.48550/arXiv.2608.14734
  • arXiv ID: arXiv:2608.14734 [cs.LG]
  • Subjects: Machine Learning (cs.LG); Materials Science (cond-mat.mtrl-sci); Artificial Intelligence (cs.AI)
  • Authors: Kai Gu, Haizheng Zhong
  • Submitted on: 13 August 2026
  • DOI: 10.48550/arXiv.2608.14734

摘要详情 (Abstract)

用于纳米晶合成的深度学习模型能够通过对前驱体和反应条件进行编码来预测尺寸和形貌。然而，它们的黑盒性质阻碍了人们对底层合成机制的深入理解。在这里，我们开发了纳米晶方程学习器（NanoEQL），这是一个全白盒神经网络，用于解开纳米晶合成的尺寸决定机制。

在 EQL 架构的基础上，本文引入了八种算子来替代标准激活函数，以拟合纳米晶合成中的数学方程。在这些算子中，三种平滑算子解决了奇异算子在零点处的梯度爆炸问题。为了评估不同前驱体的权重，我们开发了一种温度门控注意力池化策略，将浓度驱动和反应活性驱动的化学合成机制编码到温度门中。

NanoEQL 模型表明，最终的纳米晶尺寸可以用一个线性方程来描述，该方程由三个代表以下含义的标量组成： 1. 纳米结晶能力 (\(-Z_p\)) 2. 生长能力 (\(Z_{\text{rea}}\)) 3. 外部输入电位 (\(-Z_{\text{ops}}\))

这些可解释的标量不仅推进了纳米晶合成的理性设计，也为通过白盒机器学习解密化学反应机制建立了一个可泛化的范式。

Deep learning models of nanocrystal synthesis enable the prediction of size and shape by encoding precursors and reaction conditions. However, their black-box nature hinders gaining deep insights into the underlying synthetic mechanisms. Here, we develop the Nanocrystal Equation Learner (NanoEQL), a fully white-box neural network to unravel the size determination mechanisms of nanocrystal synthesis.

Building on the EQL architecture, eight operators are introduced to replace standard activation functions to fit the mathematical equations in nanocrystal synthesis. Among these operators, three smoothed operators address the gradient explosion of singular operators at zero. To evaluate the weights of different precursors, we develop a temperature-gated attention pooling strategy that encodes concentration-driven and reactivity-driven chemical synthesis mechanisms into the temperature gate.

The NanoEQL model illustrates that the final nanocrystal size can be described by a linear equation composed of three scalars representing: 1. Nanocrystallization capability (\(-Z_p\)) 2. Growth capability (\(Z_{\text{rea}}\)) 3. External input potential (\(-Z_{\text{ops}}\))

These interpretable scalars not only advance the rational design of nanocrystal synthesis but also establish a generalizable paradigm for deciphering chemical reaction mechanisms through white-box machine learning.