研究目的
利用机器学习算法研究混合有机/无机钙钛矿的结构稳定性，基于A位阳离子的有效原子半径和孤对电子数预测其相稳定性。
研究成果
研究表明，基于A位阳离子的有效原子半径和孤对电子数，机器学习模型能够准确预测钙钛矿的相稳定性。该方法为材料设计提供了一种高效策略，优于传统的试错法。
研究不足
该研究的局限性在于密度泛函理论（DFT）计算的计算成本以及机器学习模型的复杂性。对于某些假设化合物，由于缺乏实验数据，预测准确性可能会受到影响。
1：实验设计与方法选择：
本研究采用密度泛函理论（DFT）计算分析钙钛矿的相稳定性，并构建机器学习模型基于结构参数预测相稳定性。
2：样本选择与数据来源：
研究涵盖384种ABC3硫族化合物与卤化物钙钛矿，A位阳离子包含碱金属与有机分子。
3：实验设备与材料清单：
使用维也纳从头算模拟软件包（VASP）进行DFT计算，采用广义梯度近似（GGA）的Perdew?Burke?Ernzerhof（PBE）参数化方案并包含范德华修正。
4：实验步骤与操作流程：
结构优化分三步进行：体积优化、原子位移调整及完全弛豫。通过理想立方结构与完全弛豫结构间的能量差衡量相稳定性。
5：数据分析方法：
运用广义线性模型（GLM）、随机森林（RF）、梯度提升机（GBM）、XGBoost及深度学习（DL）等机器学习技术分析数据。
独家科研数据包，助您复现前沿成果，加速创新突破
获取完整内容-
Vienna ab initio simulation package
VASP
Performing density functional theory calculations
-
Perdew?Burke?Ernzerhof
PBE
Parameterization of the generalized gradient approximation
-
FireWorks
Managing the calculation workflow
-
Pymatgen
Pre- and postprocessing the calculated data
-
登录查看剩余2件设备及参数对照表
查看全部
