机器学习堆叠方法在半 Heusler 合金热电性能预测中的应用
材料科学
2024-08-02 v1 计算物理
摘要
本研究采取集成建模方法——具体而言是集成模型，集成 Random Forest 与 XGBoost 方案，对半 Heusler 合金的热电性能进行预测。利用涵盖热导率、塞贝克系数、电导率以及热电性能因子（ZT）的多样化数据集，研究表明集成模型在预测性能方面优于单个基模型，R2 值均较高。温度、均共价半径以及 Gibbs 能原子平均偏差等关键特征被识别为影响热电行为的关键因素，凸显其在优化热电性能中的关键作用。Random Forest 与 XGBoost 在集成模型中的统一应用有效捕捉了细微关系，为半 Heusler 合金的热电性能提供了整体性理解。本工作推进了热电领域的预测建模，为战略材料设计提供了宝贵洞见，为实现更高效、更佳性能的热电应用铺平了道路。该集成建模框架，结合洞见的特征选择和严谨的工程实践，为未来追求高性能热电材料的研究奠定了稳健基础。
引用
@article{arxiv.2408.00466,
title = {Unlocking Thermoelectric Potential: A Machine Learning Stacking Approach for Half Heusler Alloys},
author = {Vipin K. E and Prahallad Padhan},
journal= {arXiv preprint arXiv:2408.00466},
year = {2024}
}
备注
23 pages