数据驱动的机器学习预测玻璃过渡温度和金属玻璃玻璃的玻璃形成能力
Jingzi Zhang1,2, Mengkun Zhao1,2, Chengquan Zhong1,2
1School of Materials Science and Engineering, Harbin Institute of Technology, Shenzhen 518055, P. R. China. linxi@hit.edu.cn.
Nanoscale
|November 10, 2023
概括
机器学习模型准确地预测金属玻璃的特性,例如玻璃过渡温度 (Tg) 和临界直径 (Dmax). 这项研究建立了玻璃形成能力 (GFA) 的管理规则,有助于发现新的高GFA金属玻璃.
科学领域:
- 材料科学 材料科学 材料科学
- 计算材料科学科学 计算材料科学
- 数据科学数据科学数据科学
背景情况:
- 有限的玻璃成形能力 (GFA) 阻碍了金属玻璃 (MG) 的应用.
- 传统的MG发展依赖于耗时的试错查.
- 机器学习 (ML) 显示了加速MG发现的潜力,但面临着预测准确性的挑战.
研究的目的:
- 开发准确的ML模型来预测MGs的玻璃过渡温度 (Tg) 和临界直径 (Dmax).
- 确定影响Tg和Dmax的关键材料特征.
- 制定高GFA的管理规则,以指导材料勘探.
主要方法:
- 编制了 1764 Tg 和 1296 Dmax 数据点的综合数据集.
- 使用特征意义分析来确定GFA的管理规则.
- 采用光梯度增强 (LGB) 模型进行Tg预测.
- 为Dmax预测开发了一个集成的ML模型 (对三个基本模型进行加权投票).
主要成果:
- 使用16个特征,LGB模型实现了R2=0.984用于Tg预测.
- 集成的ML模型实现了Dmax预测的R2=0.767.
- 已建立的GFA规则:热导率差异 (0.60-1.32) 和密度 (>1.05) 对于大的Dmax.
结论:
- 该研究提供了准确的ML模型来预测关键GFA参数 (Tg,Dmax).
- 特征意义分析和已建立的GFA规则有助于对高GFA的MGs进行有针对性的探索.
- 这些发现加速了先进金属玻璃的发现和应用.
