基于特征提取与监督学习的氧化物缺陷识别配对分布函数分析
材料科学
2022-10-17 v1 计算物理
摘要
应用特征提取与神经网络模型预测实验 TiO 样品中的缺陷类型与浓度。构建具有氧和钛空位及间隙原子的 TiO 结构数据集，并通过能量最小化对结构进行弛豫。采用线性方法（主成分分析、非负矩阵分解）与非线性方法（自编码器、卷积神经网络）提取这些缺陷结构计算所得配对分布函数（PDFs）的特征。提取的特征作为神经网络的输入，将特征权重映射至各缺陷类型的浓度。该机器学习流程的性能通过基于实验测量的 TiO PDFs 预测缺陷浓度并与暴力搜索预测结果比较得以验证。自编码器的基于物理的初始化在预测缺陷浓度时具有最高精度。该模型融合了材料性质的物理解释性与可预测性，实现了利用散射数据更高效的物料表征过程。
引用
@article{arxiv.2210.07371,
title = {Pair distribution function analysis for oxide defect identification through feature extraction and supervised learning},
author = {Shuyan Zhang and Jie Gong and Sharon Chu and Daniel Xiao and B. Reeja Jayan and Alan J. H. McGaughey},
journal= {arXiv preprint arXiv:2210.07371},
year = {2022}
}