基于机器学习与图神经网络的压电模量预测
材料科学
2022-02-09 v1
摘要
压电材料广泛应用于各类工业中，如电子打火机、柴油发动机和 X 射线快门。然而，由于从材料成分/结构到压电效应的关系十分复杂，发现高性能且环境友好（如不含铅）的压电材料是一个难题。相较于形成能、带隙和体模量等其他材料性质，预测压电系数更具挑战性。在此，我们提出一项关于设计与评估先进机器学习模型以从材料成分和/或结构预测压电模量的综合研究。我们基于广泛的特征工程结合机器学习模型（随机森林与支持向量机）以及基于深度图神经网络的自动特征学习来训练预测模型。我们的带晶体结构特征的 SVM 模型优于其他方法。我们还使用该模型预测了 Materials Project 数据库中 12,680 种材料的压电系数，并报告了前 20 种潜在高性能压电材料。
引用
@article{arxiv.2111.05557,
title = {Piezoelectric modulus prediction using machine learning and graph neural networks},
author = {Jeffrey Hu and Yuqi Song},
journal= {arXiv preprint arXiv:2111.05557},
year = {2022}
}
备注
13 pages