稀土氧化物热导率机器学习建模的数据表示方法学研究
材料科学
2025-09-26 v1
摘要
定量结构-活性关系（QSAR）建模在材料科学中被广泛用于预测感兴趣的性质并提取测量性质的有用描述符。在热障涂层（TBC）中，QSAR 可以显著缩短可能长达数年的实验发现周期。尽管机器学习方法常用于 QSAR，但其性能取决于数据质量以及实例的表示方式。基于已知材料性质的传统手工描述符仅能表示共享相同基本晶体结构的材料，从而限制了数据集的规模。相比之下，图神经网络提供了一种更具表达力的表示方法，能够编码晶格中的原子位置和键。在本研究中，我们将在文献中的手工描述符上训练的随机森林（RF）和高斯过程（GP）模型，与使用晶体图卷积神经网络（CGCNN）的基于图的表示方法进行了比较，针对高熵稀土烧绿石氧化物进行了评估。还探索了两种不同类型的数据增强方法以应对有限的数据规模，其中一种仅适用于基于图的表示。我们的研究结果表明，CGCNN 模型显著优于 RF 和 GP 模型，凸显了基于图的表示在增强 TBC 研究 QSAR 建模方面的潜力。
引用
@article{arxiv.2509.18951,
title = {A Methodological Study on Data Representation for Machine Learning Modelling of Thermal Conductivity of Rare-Earth Oxides},
author = {Amiya Chowdhury and Acacio Rincón Romero and Eduardo Aguilar-Bejarano and Halar Memon and Grazziela Figueredo and Tanvir Hussain},
journal= {arXiv preprint arXiv:2509.18951},
year = {2025}
}