应用机器学习于稀疏实验数据以理解外延应变弛豫
材料科学
2023-01-06 v1
摘要
理解外延应变弛豫是具有强结构-性能关系的功能性薄膜中的关键挑战之一。在此，我们采用一种新兴的数据分析方法，尽管仅有稀疏的实验数据点可用，仍定量评估应变弛豫临界厚度（hc）与各种物理和化学特征之间的潜在关系。首先，我们收集并精炼已报道的钙钛矿氧化物薄膜/衬底体系的hc，构建一致的子数据集，以捕捉不同实验细节间的共同趋势。然后，我们采用相关性分析和特征工程找出最相关的特征集，包括泊松比和晶格失配。借助相关性分析和特征工程提供的洞见，训练了机器学习（ML）模型以获得尚可的精度，并通过实验进一步验证。所展示的框架有望高效扩展至其他类薄膜以理解hc。
引用
@article{arxiv.2301.01959,
title = {Application of Machine Learning to Sporadic Experimental Data for Understanding Epitaxial Strain Relaxation},
author = {Jin Young Oh and Dongwon Shin and Woo Seok Choi},
journal= {arXiv preprint arXiv:2301.01959},
year = {2023}
}
备注
24 pages, 5 figures