利用低复杂度神经网络与物理化学描述符预测氧化物玻璃性能
材料科学
2023-08-09 v1 机器学习
摘要
由于其无序结构，玻璃在预测成分-性能关系方面提出了独特的挑战。近来，已有若干尝试利用机器学习技术预测玻璃性能。然而，这些技术存在局限，即（i）预测仅限于原始数据集中存在的组分，以及（ii）由于该区域数据点稀疏，对性能极值（新材料发现的重要区域）的预测不太可靠。为应对这些挑战，本文提出一种低复杂度神经网络（LCNN），在预测氧化物玻璃性能方面提供了改进的表现。此外，我们将 LCNN 与物理和化学描述符结合，从而能够开发可对未来训练集之外的组分进行预测的通用模型。通过在约 50000 个玻璃组分的大规模数据集上训练，我们表明 LCNN 优于 XGBoost 等当前最优算法。此外，我们利用 Shapley 加性解释对 LCNN 模型进行解读，以深入理解描述符在支配性能中的作用。最后，我们通过预测原始训练集中未出现的新组分玻璃的性能，证明了 LCNN 模型的通用性。总体而言，本方法为加速发现新型玻璃组分提供了有前景的方向。
引用
@article{arxiv.2210.10507,
title = {Predicting Oxide Glass Properties with Low Complexity Neural Network and Physical and Chemical Descriptors},
author = {Suresh Bishnoi and Skyler Badge and Jayadeva and N. M. Anoop Krishnan},
journal= {arXiv preprint arXiv:2210.10507},
year = {2023}
}
备注
15 pages, 3 figures