用于机器学习目标属性预测与分类的无机 ABX3 钙钛矿材料数据集
材料科学
2023-12-19 v1
摘要
机器学习（ML）技术在新材料发现中的可靠性往往取决于数据集的质量，以及用于描述材料的相关特征。为此，本研究提出并验证了一个新处理的材料数据集，可用于基准 ML 分析，涉及确定性目标属性的预测和分类。该数据集最初提取自开放量子材料数据库（OQMD），包含 16,323 个稳健的 ABX3 无机钙钛矿结构样本。数据集呈表格形式，经过预处理，包含了六十一个广义输入特征，广泛描述了与三维 ABX3 多面体中元素离子位点相关的物理化学、稳定性/几何以及密度泛函理论（DFT）目标属性。为了验证，采用了四种不同的 ML 模型来预测三个不同的目标属性，即：形成能、能带隙和晶体系统。实验结果显示，最佳精度测量值分别为 0.013 eV/atom MAE、0.216 eV MAE 和 85% F1，分别对应形成能预测、能带隙预测和晶体系统多分类。此外，将所得结果与先前文献进行了比较，从而肯定了当前数据集在未来通过 ML 技术进行基准材料分析方面的资源价值。预处理后的数据集和源代码可公开下载，地址为 github.com/chenebuah/ML_abx3_dataset。
引用
@article{arxiv.2312.11335,
title = {An inorganic ABX3 perovskite materials dataset for target property prediction and classification using machine learning},
author = {Ericsson Tetteh Chenebuah and David Tetteh Chenebuah},
journal= {arXiv preprint arXiv:2312.11335},
year = {2023}
}
备注
21 Pages, 4 Tables and 6 Figures