通过多种机器学习算法预测有机-无机混合矿带隙
1Xi'an Key Laboratory of Advanced Photo-Electronics Materials and Energy Conversion Device, School of Electronic Information, Xijing University, Xi'an 710123, China.
Molecules (Basel, Switzerland)
|January 26, 2024
概括
机器学习准确地预测矿带间隙,这对光电子非常重要. XGBoost模型显示出最小的误差,A位点离子占用率显著影响频段间隙预测.
科学领域:
- 材料科学 材料科学 材料科学
- 计算化学的计算化学
- 光电学是指光电子产品.
背景情况:
- 带间隙是矿材料的关键光学特性,对于光电子设备的性能至关重要.
- 对于频段间隙的确定,传统的第一原则计算通常是低效的,缺乏精度.
- 机器学习为准确和高效的频段差距预测提供了一个有希望的替代方案.
研究的目的:
- 开发和评估机器学习模型,用于预测有机-无机混合矿的带隙.
- 确定影响频段间隙预测的关键材料特征.
- 为了比较不同机器学习算法对此任务的性能.
主要方法:
- 从文献和数据库中编制了1208个数据点的数据集,包括30个特征描述符.
- 预处理数据并使用皮尔森相关性来选择基本特征.
- 训练并评估了渐变增强回归器 (GBR),随机森林,LightGBM和XGBoost算法.
主要成果:
- XGBoost算法以0.0901的平均绝对误差 (MAE),0.0173的平均平方误差 (MSE) 和0.9913的R平方 (R2) 实现了最佳性能.
- 与其他模型相比,XGBoost的预测误差明显较低.
- SHAP分析显示,A位置离子的占用率是最有影响力的特征,与带间隙负相关.
结论:
- 机器学习,特别是XGBoost算法,提供了一个非常准确的方法来预测矿带间隙.
- 特性选择和模型解释对于理解预测驱动因素至关重要.
- A位点离子占用率是确定有机-无机混合矿的带隙的一个关键因素.
更多相关视频
08:12Low Pressure Vapor-assisted Solution Process for Tunable Band Gap Pinhole-free Methylammonium Lead Halide Perovskite Films
Published on: September 8, 2017
9.6K
13:56Probe Type II Band Alignment in One-Dimensional Van Der Waals Heterostructures Using First-Principles Calculations
Published on: October 12, 2019
7.6K
