利用机器学习建模晶体的介电常数
材料科学
2020-07-15 v1 数据分析、统计与概率
摘要
晶体的相对介电常数是一项基本性质，它将微观化学键与宏观电磁响应联系起来。为理解和预测介电行为，已建立多种模型，包括解析、数值与统计描述。解析模型常局限于特定类型化合物，而机器学习（ML）模型往往缺乏可解释性。在此，我们结合监督式 ML、密度泛函微扰理论与基于博弈论的分析，预测并解释晶体光学介电常数中的物理趋势。两个 ML 模型，支持向量回归与深度神经网络，在包含 1,364 个介电常数的数据集上训练。对 ML 模型的 Shapley 加性解释（SHAP）分析显示，它们恢复了教科书 Clausius-Mossotti 与 Penn 模型所描述的相关性，这让人相信其描述物理行为的能力，同时提供了更优的预测能力。
引用
@article{arxiv.2005.05831,
title = {Modelling the dielectric constants of crystals using machine learning},
author = {Kazuki Morita and Daniel W. Davies and Keith T. Butler and Aron Walsh},
journal= {arXiv preprint arXiv:2005.05831},
year = {2020}
}
备注
14 pages, 4 figures, 4 tables