机器学习辅助的氧化铁相与尺寸可控合成
材料科学
2023-08-10 v1
摘要
氧化铁颗粒的可控合成是材料科学、能源存储、生物医学应用、环境科学和地球科学中的关键问题。然而，合成具有期望相和尺寸的氧化铁仍是一个耗时且试错的过程。本研究针对材料合成中的两个基本挑战提出解决方案：从指定反应参数预测合成结果，以及关联参数集合以获得期望结果的产品。训练了四种机器学习算法，包括随机森林、逻辑回归、支持向量机和k近邻，基于实验条件预测氧化铁的相和颗粒尺寸。在模型中，随机森林表现最佳，在测试数据集中预测氧化铁相和尺寸时分别达到96%和81%的准确率。排列特征重要性分析显示，大多数模型（逻辑回归除外）依赖已知特征如前驱体浓度、pH和温度从合成条件预测相。通过在数据集中未包含的可加和非可加系统中基于24种随机生成方法比较预测与实验结果，进一步验证了随机森林模型的鲁棒性。模型对产品相和颗粒尺寸的预测与实验结果吻合良好。此外，开发了一种搜索与排序算法，用于从数据集中既往研究推荐可获得期望相和尺寸氧化铁产品的潜在合成参数。
引用
@article{arxiv.2303.11244,
title = {Machine learning assisted phase and size-controlled synthesis of iron oxides},
author = {Juejing Liu and Zimeng Zhang and Xiaoxu Li and Meirong Zong and Yining Wang and Suyun Wang and Ping Chen and Zaoyan Wan and yatong Zhao and Lili Liu and Yangang Liang and Wei Wang and Zheming Wang and Shiren Wang and Xiaofeng Guo and Emily G. Saldanha and Kevin M. Rosso and Xin Zhang},
journal= {arXiv preprint arXiv:2303.11244},
year = {2023}
}
备注
See link below for Supporting Information. https://docs.google.com/document/d/1boiUQtlBoc4nvXPoVDMkc4RCg2isWtZ5/edit?usp=sharing&ouid=108731997922646321851&rtpof=true&sd=true