用于功能材料发现的投票数据驱动回归学习及其在二维铁电材料中的应用
材料科学
2020-12-22 v1
摘要
回归机器学习被广泛用于预测各类材料。然而，材料数据不足通常导致性能较差。此处我们开发了一种新的投票数据驱动方法，可普遍改善回归学习模型以准确预测材料性质的性能。我们将其应用于研究一个大型家族（2135 种）的二维六方二元化合物，聚焦于铁电性质，发现对电极化而言模型性能确实大幅提升，从中筛选出 38 种具有面外极化的稳定铁电体，包括 31 种金属与 7 种半导体。通过无监督学习，提取了诸如价电子数目与轨道半径、组成原子的离子极化率与电负性如何影响极化等可操作信息。我们的投票数据驱动方法不仅减少了构建可靠学习模型所需的材料数据规模，还能够对目标功能材料做出精确预测。
引用
@article{arxiv.2010.01765,
title = {Voting Data-Driven Regression Learning for Discovery of Functional Materials and Applications to Two-Dimensional Ferroelectric Materials},
author = {Xing-Yu Ma and Hou-Yi Lyu and Xue-Juan Dong and Zhen Zhang and Kuan-Rong Hao and Qing-Bo Yan and Gang Su},
journal= {arXiv preprint arXiv:2010.01765},
year = {2020}
}
备注
22 pages, 5 figures