评估基于数据驱动的透明导电材料带隙与电导率预测方法
材料科学
2024-11-22 v1 机器学习
摘要
机器学习（ML）为加速新型功能材料的发现提供了创新的视角，利用材料数据库日益增长的数据资源。尽管已取得显著进展，但数据驱动方法受限于可用数据的数量与质量。此外，ML 常与来自密度泛函理论（DFT）的模拟数据集联合使用，并通过样本内评估方案进行评估。这一情形引发关于数据驱动方法在揭示新型具有工业应用价值的材料类别方面实际效用的疑问。本文提出一种数据驱动框架，旨在加速新型透明导电材料（TCM）的发现——这是一类具有广泛应用的半导体。为缓解数据不足问题，我们创建并验证了独特的实验数据库，包含若干已知 TCM 的实例。我们评估了从配分式alone 进行性质预测的最新 ML 模型。我们提出一种专属评估方案，提供经验性证据，证明 ML 能否发现新且尚未被发现的有趣材料。我们在包含 55 种配方的列表上测试了该方法。尽管研究表明 ML 倾向于从训练数据中识别出构成上与已知 TCM 相似的新型 TCM，但我们经验性地展示了其能够揭示可能被先前忽视的材料候选，提供一种系统方法来识别可能表现出 TCM 特征的材料。
引用
@article{arxiv.2411.14034,
title = {Assessing data-driven predictions of band gap and electrical conductivity for transparent conducting materials},
author = {Federico Ottomano and John Y. Goulermas and Vladimir Gusev and Rahul Savani and Michael W. Gaultois and Troy D. Manning and Hai Lin and Teresa P. Manzanera and Emmeline G. Poole and Matthew S. Dyer and John B. Claridge and Jon Alaria and Luke M. Daniels and Su Varma and David Rimmer and Kevin Sanderson and Matthew J. Rosseinsky},
journal= {arXiv preprint arXiv:2411.14034},
year = {2024}
}