用于精确预测CsPbCl3钙钛矿量子点属性的机器学习模型
材料科学
2024-06-25 v1 机器学习
数据分析、统计与概率
摘要
钙钛矿量子点（PQDs）因其独特特性，未来在多个应用领域具有巨大潜力。本研究探讨了使用合成特征作为输入数据集，对 PQDs的尺寸、吸收度（1S abs）和光致发光（PL）属性的机器学习（ML）预测效果。该研究采用支持向量回归（SVR）、最近邻距离（NND）、随机森林（RF）、梯度提升机（GBM）、决策树（DT）和深度学习（DL）等ML模型。尽管所有模型都实现了高度准确的结果，但SVR和NND在测试和训练数据集上均取得了优异性能，表现出高和低均方根误差（RMSE）和均方绝对误差（MAE）指标值。鉴于机器学习正变得越来越强大，其理解量子点的能力将对塑造纳米材料设计的未来具有不可估量的价值。
引用
@article{arxiv.2406.15515,
title = {Machine Learning Models for Accurately Predicting Properties of CsPbCl3 Perovskite Quantum Dots},
author = {Mehmet Sıddık Çadırcı and Musa Çadırcı},
journal= {arXiv preprint arXiv:2406.15515},
year = {2024}
}