使用多忠实机器学习和遗传算法发现新型化矿矿合金
Jiaqi Yang1, Panayotis Manganaris1, Arun Mannodi-Kanakkithodi1
1Materials Engineering, Purdue University, 701 W Stadium Ave., West Lafayette, Indiana 47907, USA.
The Journal of chemical physics
|February 13, 2024
概括
这项研究使用机器学习来发现用于太阳能电池的新型稳定化物矿. 它预测了成千上万种材料的性能,识别了具有高光伏效率的有希望的候选材料.
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
- 可再生能源可再生能源是可再生能源.
背景情况:
- 稳定化物矿是先进光伏 (PV) 吸收器的关键.
- 目前矿性能的局限性需要扩大材料库.
研究的目的:
- 开发准确的替代模型来预测矿的特性.
- 使用遗传算法 (GA) 对新型化矿矿组成进行反向设计.
主要方法:
- 高通量密度函数理论 (DFT) 对约800个矿合金的计算.
- 在DFT和实验数据上训练多忠度随机森林回归模型.
- 在逆向设计中采用具有目标函数的GA.
主要成果:
- 选了超过15万种假设化合物,确定了数千种具有所需性质的化合物 (带隙1-2 eV,效率>15%).
- 通过反向设计发现了数百种最佳组合和相位.
- 为材料选择生成预测三元相图.
结论:
- 机器学习有效地加速了稳定,高效的化物矿的发现.
- 结合的DFT,代用建模和GA方法对于材料设计具有强大作用.
- 确定了有前途的候选人,需要进一步进行实验性调查.
