研究目的
发现可能呈现层状和二维相态但尚未合成的材料的化学组成,并通过结合实验数据与物理学及机器学习,为合成领域提供路线图。
研究成果
该研究表明,基于物理的机器学习能够通过化学式预测二元和三元材料层状相的存在性,首次实现了层状材料的完整图谱绘制。对部分预测材料进行的密度泛函理论计算表明,大多数材料确实具有机械稳定性且可能可合成。该模型的预测精度高于该领域大多数人类专家,且速度提升数个数量级。半监督学习的应用展示了如何将未标记数据整合至基于物理的机器学习中,在本研究中其效果优于监督学习。
研究不足
假设所有数据库中缺乏层状相的化学成分必定不表现出稳定层状相的准确性,取决于数据库的完整性且难以量化。该研究还指出,与实验测量值相比,开发用于预测DFT带隙值的回归模型预计会产生相对较大的误差。
1:实验设计与方法选择:
本研究结合物理学与机器学习技术,基于实验数据通过化学式预测二元和三元材料层状相的存在性。
2:样本筛选与数据来源:
研究筛选所有AxBy和AxByCz(x、y、z系数为1、2或3)的组分组合,排除已收录于Materials Project或ICSD数据库的材料。
3:2或3)的组分组合,排除已收录于Materials Project或ICSD数据库的材料。
实验设备与材料清单:
3. 实验设备与材料清单:采用以复合元素特性为特征向量的支持向量机(SVM),并通过密度泛函理论(DFT)计算进行验证。
4:实验流程与操作步骤:
使用半监督模型对未标注数据进行概率化处理,分析不同未标注数据假设对结果的影响。
5:数据分析方法:
运用机器学习模型预测层状相存在性及层状材料的带隙,并通过DFT计算验证部分候选材料。
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