用于无机材料晶格热导率预测的机器学习模型
材料科学
2019-08-06 v3 计算物理
摘要
晶格热导率()是热电材料、热障涂层材料和半导体的关键性质。虽然 的精确经验测量极具挑战性,但通常通过计算方法近似获得,例如半经验模型、结合分子动力学模拟的 Green-Kubo 形式体系,以及基于第一性原理的方法。然而,这些理论方法不仅受限于其精度,有时还因其计算代价而难以处理。因此,本工作中,我们利用约 100 种无机固体的实验测量 基准数据集,构建了一个基于机器学习(ML)的模型,以准确且即时地预测无机材料的 。我们使用先进且通用的特征工程技术以及高斯过程回归算法,并将我们的 ML 模型与以往理论工作的性能进行比较。训练后的 ML 模型不仅有助于新材料的设计与筛选,我们还识别了支配非金属中热传输行为的关键特征。
引用
@article{arxiv.1906.06378,
title = {Machine Learning Models for the Lattice Thermal Conductivity Prediction of Inorganic Materials},
author = {Lihua Chen and Huan Tran and Rohit Batra and Chiho Kim and Rampi Ramprasad},
journal= {arXiv preprint arXiv:1906.06378},
year = {2019}
}