基于机器学习的 SiO2 基玻璃密度与弹性模量预测
材料科学
2019-11-07 v1 计算物理
摘要
具有高弹性模量和低重量的 SiO2 基玻璃的化学设计备受关注。然而，由于弹性模量是原子间键及其在不同长度尺度上有序度的复杂函数，在合成前很难找到一个通用表达式根据玻璃成分预测弹性模量。在此我们展示，SiO2 基玻璃的密度和弹性模量可通过机器学习（ML）技术，在除 SiO2 外具有多种（>10）类型添加氧化物的复杂成分空间中高效预测。我们的机器学习方法依赖于由高通量分子动力学（MD）模拟生成的训练集、一组精心构建的将经验统计建模与原子间成键基本物理相桥接的描述符，以及通过实现最小绝对收缩与选择算子与梯度提升机（GBM-LASSO）开发的统计学习/预测模型。ML 模型的预测与大量模拟和实验数据进行了全面比较和验证。仅使用由二元和三元玻璃样品组成的数据集进行训练，我们的模型就展示出非常有前景的能力，可预测训练集之外 k 元 SiO2 基玻璃的密度和弹性模量。作为其潜在应用的一个示例，我们的 GBM-LASSO 模型被用于对数以 (~105) 计的多组分玻璃体系成分进行快速、低成本的筛选，以构建成分—性质数据库，从而可对玻璃密度和弹性性质进行丰富的概览。
引用
@article{arxiv.1911.02416,
title = {Predicting densities and elastic moduli of SiO2-based glasses by machine learning},
author = {Yong-Jie Hu and Ge Zhao and Mingfei Zhang and Bin Bin and Tyler Del Rose and Qian Zhao and Qun Zu and Yang Chen and Xuekun Sun and Maarten de Jong and Liang Qi},
journal= {arXiv preprint arXiv:1911.02416},
year = {2019}
}