从化学组成预测带隙：一种面向统计特征异常材料性质的简单学习模型

在固体材料科学中，针对电子带隙的计算与建模已付出大量努力。虽然已创建各种 ab initio 方法和机器学习算法可预测此量，但面向研究带隙的新计算方法仍是活跃的研究领域。本文引入一个简单机器学习模型，用于仅依据晶体材料的化学组成预测带隙。为此，我们首先分析带隙的经验分布，这为其 atypical 统计特征提供了新视角。具体而言，我们的分析使我们能够将带隙预测建模为混合随机变量的任务，并据此设计模型。我们的模型形式在化学启发模型中融合了主题思想，以适合带隙建模任务。该模型每个元素恰好对应一个参数，通过数据拟合得到。要为给定材料预测带隙，模型计算其组成元素的参数的加权平均值，然后取该数量与零的最大值。该模型通过直观捕捉带隙与单个化学元素的关联，提供了启发式的化学可解释性。