目的とする発光波長を備えた無機蛍光体の合理的設計は、発光特性が構造、電子状態、励起条件に依存する因子の強い結合によって決まるため困難である。この分野の機械学習研究では、記述子の再現性や物理的解釈可能性を体系的に評価せず、予測精度が優先されることが多い。本研究では、複数手法による特徴選択、記述子の安定性解析、物理化学的解釈を組み合わせ、発光波長を予測する物理学的知見に基づく説明可能な機械学習の枠組みを開発した。当初125個の物理化学的記述子で表現された、単一ドーパントを含む2327種の蛍光体組成からなる精選データセットを、物理的に意味のある46個の記述子へ絞り込んだ。12種類の相補的な特徴選択手法を、8種類の安定性指標と10分割交差検証によって評価した。線形関連を測定する数学的に関連した単変量基準であるピアソン相関とANOVA-Fは、全10分割で完全に再現される同一の7記述子部分集合を特定した。得られたランダムフォレストモデルは、交差検証平均でR² = 0.9308、MAE = 7.78 nm、RMSE = 22.55 nmを達成した。7記述子モデルは、完全な再現性を示した最良の24記述子モデルと実質的に同等の予測性能を維持しつつ、記述子の次元を同モデル比で約71％、物理的に意味のある候補空間全体との比較で約86％削減した。独立テストセットでは、RFとGBがそれぞれR² = 0.9192および0.9023を達成した。SHAP解析、記述子アブレーション、相互作用解析、相補的な特徴量重要度評価手法は、いずれも一貫して同一の記述子階層を特定した。発光中心サイトのイオン半径が最も支配的な予測因子であり、次いで励起源とドーパントの原子価が重要であった。これらの結果は、蛍光体スクリーニングにおける4つの実践的考慮事項、すなわち活性中心サイトとの適合性、ドーパントの酸化状態、母体の化学的環境、励起条件を示唆する。また、記述子選択では予測精度だけでなく、再現性、簡潔性、汎化可能性、物理的解釈可能性も考慮すべきことを示している。
https://doi.org/10.20944/preprints202608.1728.v2