固态合成条件的机器学习合理化与预测
材料科学
2022-08-09 v2
摘要
目前尚无定量方法来确定固态合成的适宜条件。这不仅阻碍了新型材料的实验实现，也使固态反应机理的解释与理解变得复杂。在此，我们展示了一种机器学习方法，利用从科学期刊文章中文本挖掘得到的大型固态合成数据集来预测合成条件。通过特征重要性排序分析，我们发现最佳加热温度与用熔点和生成能（、）量化的前驱体材料的稳定性有很强的相关性。相比之下，源自合成相关反应热力学的特征与所选加热温度无直接关联。这种最佳固态加热温度与前驱体稳定性之间的相关性将塔曼规则从金属间化合物推广到氧化物体系，表明反应动力学在决定合成条件方面的重要性。加热时间被证明与所选实验步骤和仪器设置强相关，这可能表明数据集中存在人类偏见。利用这些预测特征，我们构建了具有良好性能和广泛通用性的机器学习模型，以预测合成不同化学体系所需的条件。本工作中使用的代码和数据可在以下地址找到：https://github.com/CederGroupHub/s4。
引用
@article{arxiv.2204.08151,
title = {Machine-learning rationalization and prediction of solid-state synthesis conditions},
author = {Haoyan Huo and Christopher J. Bartel and Tanjin He and Amalie Trewartha and Alexander Dunn and Bin Ouyang and Anubhav Jain and Gerbrand Ceder},
journal= {arXiv preprint arXiv:2204.08151},
year = {2022}
}