.png){kind=icon}
返回
Composition and Structure Based GGA Bandgap Prediction Using Machine Learning Approach
.png){kind=icon}
PRE
AI
DOI：10.1002/adts.202500771.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
机器学习（ML）回归模型被开发用于仅利用材料的化学成分和晶体结构来预测其能带隙。本研究评估了8个独立的ML回归模型和11个集成模型，其中4个基于堆叠（stacking），7个基于装袋（bagging），并整合了带有交叉验证的岭回归（RidgeCV）和带有交叉验证的最小绝对收缩与选择算子（LassoCV）。所有模型均使用来自Matminer的matbench-mp-gap数据集进行训练，该数据集包含106,113种化合物，其能带隙是通过使用Perdew Burke Ernzerhof函数（GGA-PBE）的广义梯度近似计算得出的。特征工程通过Matminer和Pymatgen完成，而特征重要性和相关性则通过排列方法和Pearson方法进行评估。在独立模型中，随机森林（RF）模型达到最高精度，其决定系数（R2）最大值为0.943，均方根误差（RMSE）为0.504 eV。基于装袋的最佳集成模型达到R2为0.948和RMSE为0.479 eV。该模型被应用于预测具有18价电子的新型半Heusler（HH）化合物的能带隙。这些预测通过密度泛函理论（DFT）计算进行验证，无需过多计算成本，从而加速了从广阔化学空间中发现潜在光电子材料的过程。
Keyword:
density functional theory
machine learning
regression models
semiconducting half heusler alloys
期刊
IF:
2.9
论文数:
588
被引数:
3.6K
机构
引用论文
New developments in the Inorganic Crystal Structure Database (ICSD): accessibility in support of materials research and design无机晶体结构数据库 (ICSD) 的新发展: 支持材料研究和设计的可及性
PREAI
分享收藏分享收藏Improving the modified Becke-Johnson exchange potential改进修正的Becke-Johnson交换势.png)
PHYSICAL REVIEW B
PHYSICAL REVIEW BIF3.7
PREAI
分享收藏Computational 2D Materials Database: Electronic Structure of Transition-Metal Dichalcogenides and Oxides计算二维材料数据库: 过渡金属二硫化物和氧化物的电子结构
OAAI
OAAI分享收藏
查看更多内容