双钙钛矿材料计算带隙的机器学习预测
材料科学
2023-01-10 v1 机器学习
摘要
功能材料电子结构的预测对于新器件的设计至关重要。基于密度泛函理论（DFT）的传统电子结构预测方法不仅计算成本高，而且受限于交换关联泛函近似带来的精度不足。基于机器学习的代理方法作为一种可行的替代方案已引起广泛关注，以规避这些局限，尤其在固态带隙预测方面，这也促成了本研究。在此，我们利用由 GLLBSC（Gritsenko、van Leeuwen、van Lenthe 和 Baerends 固体关联）泛函计算的 1306 个带隙数据集，构建了双钙钛矿材料带隙的随机森林回归模型。在所用的 20 个物理特征中，我们发现体模量、超导温度和阳离子电负性具有最高的重要性得分，这与底层电子结构的物理规律一致。使用前 10 个特征，模型准确率达 85.6%，均方根误差为 0.64 eV，与以往研究相当。我们的结果的重要意义在于，它们证明了机器学习回归用于快速筛选有前景的候选功能材料的潜力。
引用
@article{arxiv.2301.03372,
title = {Machine-Learning Prediction of the Computed Band Gaps of Double Perovskite Materials},
author = {Junfei Zhang and Yueqi Li and Xinbo Zhou},
journal= {arXiv preprint arXiv:2301.03372},
year = {2023}
}