研究目的
探索机器学习在类金刚石半导体高通量载流子浓度范围预测中的应用,并通过结合掺杂能力预测与高通量品质因数预测来筛选有潜力的热电材料。
研究成果
研究表明,通过线性建??稍げ饫嘟鸶帐氲继逯锌刹粼臃段в胧笛榻峁嗖钤家桓鍪考?。该模型捕捉了实验趋势并筛选出具有良好热电性能的化合物。研究结果警示人们避免追求具有不利可掺杂范围的高β值化合物,并激励对载流子浓度极限开展进一步实验探究。
研究不足
该模型局限于类金刚石半导体范围内,其依赖的实验数据可能存在历史偏差,且因样品质量或加工条件而具有实际局限性。预测精度在载流子浓度方面约为一个数量级。
1:实验设计与方法选择:
本研究采用机器学习模型预测类金刚石半导体中的载流子浓度范围,通过交叉验证预测精度比较了线性回归、随机森林和神经网络模型。
2:样本选择与数据来源:
通过广泛文献检索,汇编了127种类金刚石半导体化合物的实验载流子浓度数据集。
3:实验设备与材料清单:
研究依托开放量子材料数据库(OQMD)和材料项目(MP)的数据进行低成本计算。
4:实验流程与操作步骤:
使用Python工具包(主要为Scikit-learn和StatsModels)建模,基于预测精度与可解释性选用线性回归和留一法交叉验证(LOOCV)。
5:数据分析方法:
以平均绝对误差(MAE)为主要评分指标,同时评估均方误差(MSE)。
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