利用机器学习扩展 Shannon 离子半径数据库
材料科学
2021-04-21 v1 计算物理
摘要
在计算材料设计中，离子半径是用于预测材料性质最重要的物理参数之一。受计算材料科学与材料信息学进展的推动，我们将著名的 Shannon 表从 475 个离子扩展到 987 个离子。相应地，采用严格的机器学习（ML）方法，利用晶体学仓库中可用的氧化态（OS）与配位数（CN）的所有可能组合来扩展离子半径表。我们开发了 Shannon 数据库的离子半径回归模型，作为周期数、价轨道构型、OS、CN 和电离能的函数。在高斯过程回归（GPR）模型中，达到的 R 平方 准确率为 99%，而半径的均方根误差为 0.0332 \AA。随后采用优化后的 GPR 模型，通过利用材料项目数据库中的晶体结构，预测一组不常见 OS 与 CN 组合的新离子半径。生成的数据与可靠的 Shannon 数据合并，并在数据库仓库 \url{https://cmd-ml.github.io/} 在线提供。
引用
@article{arxiv.2101.00269,
title = {Extending Shannon's Ionic Radii Database Using Machine Learning},
author = {Ahmer A. B. Baloch and Saad M. Alqahtani and Faisal Mumtaz and Ali H. Muqaibel and Sergey N. Rashkeev and Fahhad H. Alharbi},
journal= {arXiv preprint arXiv:2101.00269},
year = {2021}
}
备注
11 pages , 4 figures