用于大规模数据集无机玻璃性质预测的可扩展高斯过程
计算物理
2020-07-07 v1 材料科学
数据分析、统计与概率
摘要
高斯过程回归(GPR)是一种预测玻璃中成分—性质关系的有用技术，因为该方法固有地提供预测的标准差。然而，由于相关的巨大计算成本，该技术仍局限于小数据集。在此，使用一种可扩展GPR算法，即用于可扩展结构化高斯过程的核插值(KISS-GP)以及大规模可扩展GP(MSGP)，我们基于一个包含超过100,000个玻璃成分、37种组分和九种重要性质（即密度、杨氏模量、剪切模量、体积模量、热膨胀系数、维氏硬度、折射率、玻璃化转变温度和液相线温度）的大规模数据集，建立了无机玻璃的成分—性质模型。最后，为加速玻璃设计，此处开发的模型作为名为Python for Glass Genomics (PyGGi)的软件包的一部分公开发布。
引用
@article{arxiv.2007.02795,
title = {Scalable Gaussian Processes for Predicting the Properties of Inorganic Glasses with Large Datasets},
author = {Suresh Bishnoi and R. Ravinder and Hargun Singh and Hariprasad Kodamana and N. M. Anoop Krishnan},
journal= {arXiv preprint arXiv:2007.02795},
year = {2020}
}