使用梯度增强和统计特征选择工作流程的无机材料带间隙的自动预测
Son Gyo Jung1,2,3, Guwon Jung1,3,4, Jacqueline M Cole1,2,3
1Cavendish Laboratory, Department of Physics, University of Cambridge, J. J. Thomson Avenue, Cambridge CB3 0HE, U.K.
Journal of chemical information and modeling
|February 6, 2024
概括
本研究引入了一个渐变增强的特征选择工作流程,用于机器学习模型来预测材料特性. 该方法提高了分类金属度和预测带间隙的准确性,优于现有方法.
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
- 机器学习 机器学习
背景情况:
- 机器学习 (ML) 模型使用数据库模式预测材料特性.
- 特性分析和选择至关重要,特别是在多忠度数据和复杂的特性空间方面.
- 忽视特征的重要性可能会限制材料科学中的ML模型性能.
研究的目的:
- 开发和评估一个渐变增强的ML模型的统计特征选择工作流.
- 训练用于分类材料金属性和预测带间隙的模型.
- 评估特征选择对材料建模中的多真实性数据的影响.
主要方法:
- 采用渐变增强的统计特征选择工作流.
- 用贝叶斯优化来进行模型微调.
- 专注于从化学成分中获得的特征.
- 在实验,计算和组合数据上测试模型.
主要成果:
- 多忠实性建模方法减少了所需特征的数量.
- 该分类模型实现了0.943准确度和0.940F1得分.
- 回归模型的平均绝对误差为0.246和R2为0.937.
- 工作流表现出与最先进的算法相提并论或更高的性能.
结论:
- 提出的特征选择工作流程对于基于ML的材料属性预测是有效的.
- 彻底的特征分析和选择至关重要,超越了"黑子"特征工程.
- 这种方法提高了材料建模的准确性和效率.
更多相关视频
08:27Author Spotlight: Efficient Image Recognition Using Directional Gradient Histogram Technique and Support Vector Machines
Published on: January 5, 2024
1.1K
10:25Construction of Models for Nondestructive Prediction of Ingredient Contents in Blueberries by Near-infrared Spectroscopy Based on HPLC Measurements
Published on: June 28, 2016
10.6K
