用于物理性质机器学习预测的化合物表示
材料科学
2017-04-26 v2
摘要
化合物的表示，称为“描述符”或“特征”，在构建其物理性质的机器学习模型中起着至关重要的作用。在本研究中，我们采用一种从简单元素与结构表示生成系统性描述符集的过程。首先将其应用于由密度泛函理论(DFT)计算的大约18000个化合物的内聚能组成的大型数据集。结果我们得到了预测误差为0.041 eV/atom的核岭预测模型，其接近于1 kcal/mol (0.043 eV/atom)的“化学精度”。该过程还应用于两个较小的数据集，即由DFT计算的110个化合物的晶格热导率(LTC)数据集和248个化合物的实验熔点数据集。我们检验了描述符集在贝叶斯优化效率以及核岭回归模型准确性方面的性能。它们展现出良好的预测性能。
引用
@article{arxiv.1611.08645,
title = {Representation of compounds for machine-learning prediction of physical properties},
author = {Atsuto Seko and Hiroyuki Hayashi and Keita Nakayama and Akira Takahashi and Isao Tanaka},
journal= {arXiv preprint arXiv:1611.08645},
year = {2017}
}
备注
11 pages, 5 figures