基于密度泛函理论与机器学习的半 Heusler 化合物晶格热导率：利用主成分分析主动采样提升预测能力
材料科学
2021-09-30 v2
摘要
低晶格热导率对材料的高热电性能至关重要。晶格热导率常使用密度泛函理论（DFT）计算，通常计算成本较高。训练机器学习模型来预测晶格热导率，可为识别低晶格热导率化合物提供有效途径。然而，在此过程中，我们必须面对这样的事实：此类化合物可能相当稀少，且与典型训练集中的化合物差异明显。这种差异性会带来问题，因为当所预测化合物的特征与训练集差异显著时，标准机器学习方法的预测不准确。通过使用温度依赖有效势方法计算 122 种半 Heusler 化合物的晶格热导率，我们生成了一个数据集以探究此问题。我们首先展示了随机森林回归在随机选取训练数据时如何未能识别低晶格热导率化合物。接着，我们展示了如何利用特征与主成分分析主动选取训练数据，从而改善模型性能及识别低晶格热导率化合物的能力。最后，我们发现不使用基于 DFT 的特征的主动学习，可作为更快速的选样方式而可行。
引用
@article{arxiv.2107.03735,
title = {Lattice thermal conductivity of half-Heuslers with density functional theory and machine learning: Enhancing predictivity by active sampling with principal component analysis},
author = {Rasmus Tranås and Ole Martin Løvvik and Oliver Tomic and Kristian Berland},
journal= {arXiv preprint arXiv:2107.03735},
year = {2021}
}