机器学习软键价方法中的屏蔽因子以快速估算晶体结构
材料科学
2025-02-11 v2
摘要
新型功能陶瓷的开发对于电化学电池和燃料电池等多种应用至关重要。计算预筛选和选择此类材料有助于发现新材料，但由于计算结构和相关性质（如离子扩散性质）所需的电子结构计算成本高昂，这颇具挑战性。软键价（SoftBV）方法因其快速预筛选多种成分和结构而具有吸引力，但该方法的近似简单性可能导致结果不准确。我们探索了通过调整近似参数来提高SoftBV方法在估算晶体结构时的准确性，使其适应化学成分。具体而言，在钙钛矿型和尖晶石型氧化物（已被提议作为有前景的固态离子导体）的示例中，屏蔽因子（SoftBV近似的一个独立参数）被建模为化学成分描述符的函数，使用线性和非线性方法。我们发现，使屏蔽因子成为成分的函数可以显著提高SoftBV正确建模结构的能力，特别是对于结构参数尚不明确的新颖、假设结构。我们还分析了非线性和耦合在改进模型中的相对重要性，发现虽然引入非线性可以提高模型质量，但耦合的改进作用不大。虽然使用神经网络相比线性回归没有显示出改进，但最近提出的GPR-NN方法（单隐层神经网络与核回归的混合体）显示出显著的改进，使得新陶瓷结构参数的预测精度达到约1%。
引用
@article{arxiv.2406.17197,
title = {Machine learning the screening factor in the soft bond valence approach for rapid crystal structure estimation},
author = {Keisuke Kameda and Takaaki Ariga and Kazuma Ito and Manabu Ihara and Sergei Manzhos},
journal= {arXiv preprint arXiv:2406.17197},
year = {2025}
}