近日，日本东京科学大学与东北大学联合研究团队在《Advanced Intelligent Discovery》期刊发表论文，成功开发一种可解释人工智能方法，以破解材料发现中AI模型的“黑箱”难题。该研究由东京科学大学材料结构实验室的高桥彰副教授、大场文康教授与熊谷裕教授（东北大学）等主导。 传统AI预测模型虽能精准推断材料性能，但缺乏透明度，难以指导实际设计。研究团队采用原子图神经网络架构，利用两千六百八十一类金属氧化物及相关化合物的原子结构与光吸收光谱数据进行训练。随后，通过层次聚类算法提取模型内部特征，成功将具有相似晶体结构与光谱形态的材料进行归类。实验表明，模型仅凭原子结构便自发捕捉到元素组成、原子配位及键长键角等关键物理规律，未依赖预设的氧化态或电子构型。 该方法不仅阐明了原子排列对光谱特性的内在影响机制，还可扩展至温度、压力等复杂环境下的材料行为分析。研究团队指出，此可解释框架为跨材料体系挖掘共性特征、建立理性设计规范提供了通用工具，将显著提升新能源器件与功能材料的研发效率，推动人工智能在材料科学领域的深度应用。