基于机器学习获得的115000种无机化合物8种物理性质的定量趋势
材料科学
2018-08-08 v2 无序系统与神经网络
计算物理
摘要
我们将决策树（随机森林）机器学习技术应用于从全球同行评审文献中汇编的大型实验材料数据集 PAULING FILE。训练和验证数据提取自材料科学领域数十万篇出版物（1891–2017）。随后，我们仅以晶体结构为输入，对近115000种不同无机化合物预测了8种热力学、力学和电子性质。对于所预测的物理性质，我们在所有一元、二元、三元和四元化合物中观察到了特定的周期性模式。我们还解决了一个反向任务，即基于给定的上述8种性质的值组合来预测可能的晶体结构。因此，我们的观测结果可起到元素周期表的作用，但其并非针对化学元素，而是针对整个材料集合。
引用
@article{arxiv.1806.03553,
title = {Quantitative trends in 8 physical properties of 115000 inorganic compounds gained by machine learning},
author = {Evgeny Blokhin and Pierre Villars},
journal= {arXiv preprint arXiv:1806.03553},
year = {2018}
}
备注
13 pages, 9 figures