基于从头算机器学习方法的稳健面心立方溶质扩散预测
材料科学
2017-05-25 v1
摘要
我们评估了四种机器学习方法在建模和预测面心立方（FCC）溶质扩散势垒方面的性能。来自先前密度泛函理论（DFT）计算的 200 多个 FCC 溶质扩散势垒作为我们的数据集，用于训练四种机器学习方法：线性回归（LR）、决策树（DT）、高斯核岭回归（GKRR）和人工神经网络（ANN）。我们分别优化了每种方法所偏好的关键物理描述符以建模扩散势垒。我们还评估了每种方法在面临已知数据有限的新基体时的外推能力。结果表明 GKRR 和 ANN 表现最佳，显示出 0.15 eV 的交叉验证误差，并且在仅给定基体的 5 个数据点时，能将新基体中的杂质扩散预测误差控制在 0.2 eV 以内。我们展示了结合 DFT 与数据挖掘方法在解决材料科学挑战方面的成功，并预测了所有可用杂质在所有 FCC 基体中的扩散势垒。
引用
@article{arxiv.1705.08798,
title = {Robust FCC solute diffusion predictions from ab-initio machine learning methods},
author = {Henry Wu and Aren Lorenson and Ben Anderson and Liam Witteman and Haotian Wu and Bryce Meredig and Dane Morgan},
journal= {arXiv preprint arXiv:1705.08798},
year = {2017}
}
备注
13 pages, 4 figures