用于预测多价阳离子电池硅负极稳定性的可迁移鲁棒机器学习模型
材料科学
2023-07-14 v1 化学物理
摘要
数据驱动方法已成为计算预测材料性质的关键工具。目前,由于生成高精度机器学习模型所需的充足训练数据需要计算资源,这些技术的代价高昂。在本研究中,我们提出一种基于支持向量回归(SVR)的机器学习模型,用于预测硅(Si)-碱金属合金的稳定性,并着重强调该模型对具有不同电子构型与结构的新硅合金的迁移性。我们详述了结构描述符在使基于有限数据(约 750 个 Si 合金,源自 Material Project 数据库)训练的模型具备迁移性中的作用。评估了三种流行描述符,即 X 射线衍射(XRD)、正弦库仑矩阵(SCM)与轨道场矩阵(OFM),用于表征 Si 合金。材料结构由 SVR 模型中的描述符表示,并结合网格搜索交叉验证与贝叶斯优化(BO)等超参数调优技术,以寻找预测 Si 合金体系总能量、形成能与堆积分数表现最佳的模型。模型在含锂(Li)、钠(Na)、钾(K)、镁(Mg)、钙(Ca)与铝(Al)金属的 Si 合金上训练,其中 Si-Na 与 Si-Al 体系用作测试结构。我们的结果表明,XRD 这一实验衍生的结构表征,作为预测新 Si 合金总能量的描述符表现最为可靠。该研究表明,通过定性选择训练数据、使用超参数调优方法以及采用适当结构描述符,鲁棒且准确的 ML 模型的数据需求可得以降低。
引用
@article{arxiv.2306.14285,
title = {Transferable and Robust Machine Learning Model for Predicting Stability of Si Anodes for Multivalent Cation Batteries},
author = {Joy Datta and Dibakar Datta and Vidushi Sharma},
journal= {arXiv preprint arXiv:2306.14285},
year = {2023}
}
备注
23 pages, 7 figures