高通量居里温度材料的机器学习预测
材料科学
2023-08-09 v1
摘要
在室温下工作的技术常需要具有高居里温度 的磁体，且可通过更好的材料得以改进。发现具有显著 的磁性材料具有挑战性，因为候选材料数量庞大且制备与测试成本高昂。利用两个已知最大的实验居里温度数据集，我们开发了机器学习模型，仅基于材料的化学组成进行快速的 预测。我们训练了随机森林模型与 -NN 模型，在一个包含逾 2500 种材料的初始数据集上预测，随后在一个包含逾 3000 条记录的新数据集上验证模型。比较了多种化合物表示（“描述符”）与回归方法的精度。随机森林模型提供了最准确的预测，且未通过降维或基于原子性质的更复杂描述符而改善。在两个数据集组合上训练的随机森林模型显示，富钴与富铁材料在所有二元与三元化合物中具有最高居里温度。模型分析揭示了系统性误差，导致模型对低- 材料过高预测、对高- 材料过低预测。对于寻找新高- 材料的穷举搜索，学习率分析表明要么需要多得多的数据，要么需要更高效的描述符。
引用
@article{arxiv.2307.06879,
title = {Machine Learning Predictions of High-Curie-Temperature Materials},
author = {Joshua F. Belot and Valentin Taufour and Stefano Sanvito and Gus L. W. Hart},
journal= {arXiv preprint arXiv:2307.06879},
year = {2023}
}
备注
9 pages, 11 figures, accepted to Applied Physics Letters, special issue "Accelerate Materials Discovery and Phenomena"