基于机器学习的反尖晶石氧化物形成能研究

摘要

为了充分利用开源数据库中的数据，加速反尖晶石氧化物的研究，提取了数据库材料项目中1 746个化学式为AB₂O₄的化合物数据，并从中筛选出111个反尖晶石氧化物，构建了基于阳离子占位情况的特征工程。将得到的数据集作为机器学习模型的输入变量，通过机器学习的方式预测反尖晶石氧化物的形成能。使用随机森林（RF）、梯度提升回归树（GBRT）、极端梯度提升（XGBoost）算法构建了3种机器学习模型，经过特征选择，找出了对模型影响最大的多个特征。将反尖晶石氧化物形成能的预测值与实际值进行对比，得到了对形成能预测最佳的模型GBRT，其在测试集上的决定系数（R²）和均方根误差(R_MSE)分别为0.886 667和0.209 970。训练得到的GBRT模型可用于预测反尖晶石氧化物形成能，从而加快反尖晶石氧化物的探索进度。

关键词

机器学习 / 密度泛函理论 / 反尖晶石氧化物 / 数据挖掘 / 形成能 / 特征工程

基金资助

国家重点研发计划(2021YFB3802400); 国家自然科学基金(52161037,U20A20237,51871065,52271205,51971068); 桂林市科技计划(20210102-4,20210216-1); 广西科技计划(AA19182014,AD17195073,AA17202030-1,AB21220027); 广西先进功能材料基础与应用人才小高地和中德科学中心国际交流合作项目(GZ1528); 桂林电子科技大学研究生教育创新计划(2022YCXS197)