机器学习辅助的钠离子固态电解质力学性能预测材料设计平台
材料科学
2021-08-13 v1
摘要
钠离子固态电解质（Na-SSE）因其高能量密度和低制造成本，在电能存储方面展现出巨大潜力。然而，对其在界面维持结构稳定性至关重要的力学性能仍了解不足。本研究开发了一种基于机器学习的回归模型，用于预测 Na-SSE 的力学性能。作为训练集，从知名材料数据库（Materials Project）获取了 12,361 种材料，并以各自的化学与结构描述符表示。所开发的代理模型表现出卓越的精度（R2 分数），剪切模量和体积模量的 R2 分别为 0.72 和 0.87，平均绝对误差分别为 11.8 GPa 和 15.3 GPa。随后将该模型应用于预测 2,432 种 Na-SSE 的力学性能，其性质已通过第一性原理计算验证。最后，通过加入新最小化数据集执行优化过程以开发理想的材料筛选平台，其中预测不确定性得以降低。我们相信本研究所提出的平台能以最小成本加速寻找具有理想力学性能的 Na-SSE。
引用
@article{arxiv.2104.10888,
title = {Machine learning aided materials design platform for predicting the mechanical properties of Na-ion solid-state electrolytes},
author = {Junho Jo and Eunseong Choi and Minseon Kim and Kyoungmin Min},
journal= {arXiv preprint arXiv:2104.10888},
year = {2021}
}
备注
Submitted and Under Review