新型有机铁电体的识别：重要性采样与机器学习结合的研究
材料科学
2023-06-08 v3 数据分析、统计与概率
摘要
极性分子材料合成的最新进展产生了铁电陶瓷的实用替代品，为其融入现代电子器件开辟了令人振奋的新途径。然而，为充分发挥极性聚合物与分子晶体在现代技术应用中的潜力，必须汇集并评估此类化合物的所有可用数据，识别可能与铁电性涌现相关联的描述符。本工作中，我们利用数据驱动方法从广阔化学空间中审慎筛选出可能具备铁电功能的候选材料。采用基于重要性采样的方法，以应对已知有机铁电体可用数据量有限的挑战。将分子级与晶体级描述符集合与随机森林回归算法相结合，以预测候选化合物的自发极化。通过第一性原理模拟进一步验证机器学习模型的预测结果。
引用
@article{arxiv.2108.13206,
title = {Identification of novel organic ferroelectrics: A study combining importance sampling with machine learning},
author = {Ayana Ghosh and Dennis P. Trujillo and Subhashis Hazarika and Elizabeth Schiesser and M. J. Swamynathan and Saurabh Ghosh and Jian-Xin Zhu and Serge Nakhmanson},
journal= {arXiv preprint arXiv:2108.13206},
year = {2023}
}