稀有稀土矿物化学中的数据驱动洞见：基于功能材料合成数据的机器学习应用
材料科学
2025-04-10 v1
摘要
稀有稀土元素（REE）矿物化学机制的定量理解对于改进工业分离至关重要，但目前仍有限。本研究利用材料科学中的 1239 个热力学合成数据点作为自然 REE 矿物化学的替代模型。我们使用前体、添加剂和反应数据训练了机器学习模型（KNN、RF、XGBoost），以预测产品元素和相位，并通过新实验验证预测结果。XGBoost 显示出最高的准确率，特征重要性分析表明热力学属性对预测至关重要。观察到的反应参数之间的相关性与经典结晶理论相吻合。进一步的 XGBoost 模型成功地从前体/产品数据中预测了反应温度和 pH 值。我们的发现表明，材料科学数据在地球化学理解方面的跨学科实用性，强调了对较少研究的 REE 矿物（如碳酸盐矿物、重稀土）的研究的必要性，并提示了加速 REE 资源开发的潜力。
引用
@article{arxiv.2504.07007,
title = {Data-Driven Insights into Rare Earth Mineralization: Machine Learning Applications Using Functional Material Synthesis Data},
author = {Juejing Liu and Xiaoxu Li and Yifu Feng and Zheming Wang and Kevin M. Rosso and Xiaofeng Guo and Xin Zhang},
journal= {arXiv preprint arXiv:2504.07007},
year = {2025}
}