考虑局域结构的铁基金属玻璃磁性能的机器学习预测
材料科学
2022-03-18 v1 无序系统与神经网络
摘要
磁性预测对于已展现出巨大商业价值的铁基金属玻璃（FeMGs）具有重要意义。基于凝聚态物理建立的理论或模型存在若干例外且精度有限。本工作中，从大量实验数据学习的机器学习（ML）模型基于极端梯度提升（XGBoost）、人工神经网络（ANN）和随机森林进行训练，以预测 FeMGs 的磁性能。XGBoost 和 ANN 模型表现出相当优异的预测性能，R^2 >= 0.903，平均绝对百分比误差（MAPE）<= 6.17，均方根误差（RMSE）<= 0.098。训练后的 ML 模型聚合了 13 个因素的影响，这在传统物理模型中难以实现。以过冷液相区实验参数表征的局域结构对 ML 模型的预测性能有显著影响。本文开发的基于 ML 的方法可通过同时考虑多因素（包括复杂局域结构）来预测 FeMGs 的磁性能。
引用
@article{arxiv.2103.12543,
title = {Machine learning prediction of magnetic properties of Fe-based metallic glasses considering local structures},
author = {Xin Li and Guangcun Shan and C. H. Shek},
journal= {arXiv preprint arXiv:2103.12543},
year = {2022}
}
备注
24 pages, 2 tables