机器学习方法在凝聚态结构预测中的应用研究
材料科学
2014-05-15 v1
摘要
材料表征仍然是一项耗时且重要的任务。通常，光谱技术与经验和从头计算相结合以阐明结构。这些实验和计算方法通常需要大量的人工输入和解释，特别是对于新型材料。最近，数据挖掘和机器学习在材料科学问题中的应用显示出在减少这一开销方面的巨大潜力。在本文中，我们探讨了机器学习的几个方面，用于使用固态核磁共振 (NMR) 表征模型材料二氧化钛。具体来说，我们利用对生成的 TiO 结构的从头计算，生成了一个对应于 NMR Ti 光谱的大型数据集。主成分分析 (PCA) 表明，输入光谱在用于后续机器学习之前可以被压缩超过 90%。我们使用两种关键方法来学习结构细节与输入 NMR 光谱之间的复杂映射，在测试样本光谱上显示出极好的准确性。这项工作比较了支持向量回归 (SVR) 和人工神经网络 (ANN)，作为构建固态材料表征专家系统的一步。
引用
@article{arxiv.1405.3564,
title = {An Investigation of Machine Learning Methods Applied to Structure Prediction in Condensed Matter},
author = {William J. Brouwer and James D. Kubicki and Jorge O. Sofo and C. Lee Giles},
journal= {arXiv preprint arXiv:1405.3564},
year = {2014}
}
备注
21 pages, 4 figures