结合密度泛函理论计算与机器学习技术的 AX 二元化合物带隙预测模型
材料科学
2016-03-09 v1
摘要
应用机器学习技术，以 Kohn-Sham 带隙以及组成元素和晶体结构的基本信息作为预测变量，为 156 种 AX 二元化合物的 G0W0 带隙构建了预测模型。在不同层次的预测变量集下，应用了普通最小二乘回归（OLSR）、最小绝对收缩和选择算子（LASSO）以及非线性支持向量回归（SVR）方法。当使用由 GGA (PBE) 或修正 Becke-Johnson (mBJ) 计算的 Kohn-Sham 带隙作为单一预测变量时，OLSR 模型对随机选取的测试数据预测 G0W0 带隙的均方根误差（RMSE）为 0.54 eV。当将 PBE 和 mBJ 方法计算的 Kohn-Sham 带隙与一组代表组成元素和晶体结构的各种形式的预测变量结合使用时，RMSE 显著降低。由 SVR 得到的最佳模型产生了 0.18 eV 的 RMSE。以这种方式估算的大量带隙集合，应可作为材料探索的有用的预测变量。
引用
@article{arxiv.1509.00973,
title = {Prediction model of band-gap for AX binary compounds by combination of density functional theory calculations and machine learning techniques},
author = {Joohwi Lee and Atsuto Seko and Kazuki Shitara and Isao Tanaka},
journal= {arXiv preprint arXiv:1509.00973},
year = {2016}
}
备注
24 pages, 6 figures, submitted to Phys. Rev. B