一种利用热力学与构型参数改进高熵合金相与晶体结构预测的增强机器学习框架
机器学习
2024-01-02 v2
摘要
高熵合金(High-Entropy Alloys, HEAs)非凡性能的根源在于其所含的多样相与晶体结构。在材料信息学领域，采用机器学习(machine learning, ML)技术对 HEAs 的相与晶体结构进行分类已获得相当重要的意义。本研究中，我们汇集了 1345 种不同成分的新 HEAs 集合用于预测相。该集合中 705 组数据借助热力学与电子构型用于预测晶体结构。我们研究引入了方法论框架，即 Pearson 相关系数，以筛选强相关特征从而提高预测精度。本研究采用五种不同增强(boosting)算法预测相与晶体结构，为提升此类预测精度提供了改进指南。在所有算法中，XGBoost 对相的预测精度最高(94.05%)，LightGBM 对相的晶体结构预测精度最高(90.07%)。我们对参数对模型精度的影响进行了量化，并提出新方法以阐明各参数在相预测与晶体结构预测过程中的贡献。
引用
@article{arxiv.2309.00993,
title = {A Boosted Machine Learning Framework for the Improvement of Phase and Crystal Structure Prediction of High Entropy Alloys Using Thermodynamic and Configurational Parameters},
author = {Debsundar Dey and Suchandan Das and Anik Pal and Santanu Dey and Chandan Kumar Raul and Arghya Chatterjee},
journal= {arXiv preprint arXiv:2309.00993},
year = {2024}
}
备注
We want to modify this paper and extend some parts of it