发现新型半霍伊斯勒化合物的材料筛选：机器学习与从头算方法的对比
材料科学
2017-06-02 v1
摘要
机器学习(ML)正日益成为寻找新型功能化合物的有力工具。在此，我们利用随机森林分类法预测半霍伊斯勒(HH)化合物的稳定性，仅以实验已报道的化合物作为训练集。交叉验证显示，被分类为稳定的化合物比例与无机晶体结构数据库(ICSD)中真正稳定化合物的实际比例之间具有极好的一致性。随后，该ML模型被用于筛选71,178种不同的1:1:1组分，得到481个可能稳定的候选物。我们从替代性ML方法的角度，批判性地分析了先前三项高通量从头算研究中HH化合物的预测稳定性。三项独立从头算研究之间以及它们与ML预测之间的不完全一致性表明，除了从头算相稳定性计算所考虑的因素之外，可能还有其他因素决定着化合物的稳定性。这些因素可能包括构型熵和准简谐贡献。
引用
@article{arxiv.1706.00192,
title = {Materials Screening for the Discovery of New Half-Heuslers: Machine Learning versus Ab Initio Methods},
author = {Fleur Legrain and Jesús Carrete and Ambroise van Roekeghem and Georg K. H. Madsen and Natalio Mingo},
journal= {arXiv preprint arXiv:1706.00192},
year = {2017}
}
备注
11 pages, 5 figures, 2 tables