利用机器学习模型预测钙钛矿氧化物的热力学稳定性
材料科学
2018-06-05 v1
摘要
钙钛矿材料已在许多技术相关应用中变得无处不在，从固体氧化物燃料电池中的催化剂到太阳能光伏中的光吸收层。热力学相稳定性是一个关键参数，广泛决定着材料是否可合成，以及在某些操作条件下是否会降解。相稳定性可用密度泛函理论（DFT）计算，但显著的计算成本使得在筛选大量可能化合物时此类计算可能难以承受。本工作中，我们开发了机器学习模型，利用包含超过 1900 个 DFT 计算的钙钛矿氧化物能量的数据集来预测其热力学相稳定性。相稳定性通过凸包分析确定，凸包上方能量（Ehull）提供了稳定性的直接度量。我们基于元素性质数据生成了 791 个特征以与每个钙钛矿化合物的 Ehull 值关联。对于分类，极端随机树算法取得了 0.93 (+/- 0.02) 的最佳预测准确率，F1 分数为 0.88 (+/- 0.03)。对于回归，采用核岭回归的留除 20% 交叉验证测试在交叉验证预测 Ehull 值与 DFT 计算之间取得了最小均方根误差（RMSE）28.5 (+/- 7.5) meV/原子，交叉验证能量的平均绝对误差（MAE）为 16.7 (+/- 2.3) meV/原子。我们通过对训练集中不存在的化合物稳定性进行预测进一步验证了模型，并证明我们的机器学习模型是获取广泛钙钛矿氧化物稳定性定性有用指导的快速有效手段，可能影响多种技术应用中的材料设计选择。
引用
@article{arxiv.1806.01038,
title = {Predicting the thermodynamic stability of perovskite oxides using machine learning models},
author = {Wei Li and Ryan Jacobs and Dane Morgan},
journal= {arXiv preprint arXiv:1806.01038},
year = {2018}
}
备注
32 pages, 6 figures, 5 tables