基于机器学习的临界温度估计及可解释人工智能支持的磁性第一性原理 Heusler 合金数据解读
材料科学
2023-11-28 v1
摘要
机器学习(ML)已影响材料科学的众多领域，最显著的是改进分子模拟，其中力场在先前弛豫的结构上进行了训练。一个自然的下一步是预测结构之外的材料性质。在这项工作中，我们研究了 ML 方法在以下用例中的适用性与可解释性：基于第一性原理方法确定的材料特异性磁相互作用和随后的蒙特卡洛(MC)方法，估算磁性 Heusler 合金的临界温度。我们比较了回归与分类模型在不进行 MC 计算的情况下预测给定化合物临界温度范围的表现。由于 MC 计算所需计算资源与密度泛函理论(DFT)计算同数量级，若能以计算强度更低的如 ML 的方法替代其中任一步骤将大有裨益。我们讨论了生成磁性第一性原理结果以对临界温度作定量预测的必要性。我们使用先进的可解释人工智能(XAI)方法提取物理关系，并深化对模型从所考察数据中所学模式的理解。
引用
@article{arxiv.2311.15423,
title = {Machine Learning-based estimation and explainable artificial intelligence-supported interpretation of the critical temperature from magnetic ab initio Heusler alloys data},
author = {Robin Hilgers and Daniel Wortmann and Stefan Blügel},
journal= {arXiv preprint arXiv:2311.15423},
year = {2023}
}
备注
12 pages, 9 figures