用于快速发现透明导电材料的扩展因子分解机退火方法
材料科学
2025-08-01 v1 机器学习
摘要
开发新型透明导电材料 (TCMs) 对于提升太阳能电池和显示器等下一代器件的性能并降低其成本至关重要。在本研究中，我们聚焦于 (AlGaIn)O 体系，并扩展了结合 Factorization Machine (FM) 与退火的 FMA 框架，以高精度、低成本搜索最优组分和晶体结构。所提出的方法引入了：(i) 连续变量的二值化；(ii) 利用 Hopfield 网络使用优良解；(iii) 通过自适应随机翻转激活全局搜索；以及 (iv) 通过比特串局部搜索进行微调。使用 Kaggle “Nomad2018 Predicting Transparent Conductors”竞赛中的 (AlGaIn)O 数据进行的验证表明，我们的方法比 Bayesian 优化和遗传算法实现了更快、更准确的搜索。此外，其在多目标优化中的应用展示了通过同时考虑带隙和形成能来设计材料的能力。这些结果表明，将我们的方法应用于更大、更复杂的搜索问题以及反映真实实验条件的多样化材料设计，有望推动材料信息学的进一步发展。
引用
@article{arxiv.2507.23160,
title = {Extended Factorization Machine Annealing for Rapid Discovery of Transparent Conducting Materials},
author = {Daisuke Makino and Tatsuya Goto and Yoshinori Suga},
journal= {arXiv preprint arXiv:2507.23160},
year = {2025}
}
备注
12pages, 6figures