核学习辅助的三元尖晶石合成条件探索
材料科学
2025-03-26 v1 机器学习
化学物理
摘要
机器学习与高通量实验通过利用混合金属氧化物催化剂的组分灵活性,极大地加速了其发现进程。然而,固态材料缺乏成熟的合成路线,仍是无机化学中的一项重大挑战。因此,构建可解释的机器学习模型至关重要,它能够为相形成的关键因素提供洞见。本文聚焦于通过高通量共沉淀方法合成的单相 Fe(ZnCo)O。我们将核分类模型与全局 SHAP 分析的创新应用相结合,通过解释每个特征的贡献,精准定位对单相可合成性最为关键的实验特征。全局 SHAP 分析揭示出,前驱体与沉淀剂对单相尖晶石形成的贡献与已建立的晶体生长理论高度吻合。这些结果不仅凸显了可解释机器学习在优化合成方案中的重要性,也为无机合成中数据驱动的实验设计建立了一个框架。
引用
@article{arxiv.2503.19637,
title = {Kernel Learning Assisted Synthesis Condition Exploration for Ternary Spinel},
author = {Yutong Liu and Mehrad Ansari and Robert Black and Jason Hattrick-Simpers},
journal= {arXiv preprint arXiv:2503.19637},
year = {2025}
}