一个世纪的前进:在机器学习的帮助下发现Laves阶段
Ritobroto Sikdar1, Nilanjan Roy2, Balaranjan Selvaratnam1
1Department of Chemistry, University of Alberta, Edmonton, Alberta T6G 2G2, Canada.
Inorganic chemistry
|March 19, 2024
概括
机器学习使用电子密度准确预测拉维斯相位形成. 一个决策树模型确定了一个新的Cd(Cu1-xSbx) 2Laves阶段,在实验中成功合成.
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
- 晶体学 晶体学是指结晶学.
背景情况:
- 岩相 (AB2) 是丰富的金属间化合物,其调节性质对于应用至关重要.
- 由于复杂的几何和电子因素,预测拉维斯相位形成具有挑战性.
- 现有的模型在预测新的拉维斯相结构时经常难以准确.
研究的目的:
- 根据化学成分开发精确的机器学习模型,以发现新的Laves阶段.
- 确定控制拉维斯相位形成的关键描述符.
- 为了指导新型拉维斯相化合物的实验合成.
主要方法:
- 训练的机器学习模型在一个数据集的~3700实验已知的Laves和非Laves阶段.
- 利用了元素属性和一小组描述符,专注于B组件的维格纳-西茨细胞边界的电子密度.
- 使用决策树算法进行分类和预测.
主要成果:
- 决策树模型实现了高性能:95%的回忆,94%的精度和96%的准确性.
- 维格纳-赛茨细胞边界的电子密度成为拉维斯相预测的关键描述因素.
- 该模型迅速预测了超过40万个潜在的拉维斯阶段候选人.
结论:
- 机器学习,特别是使用电子密度的决策树算法,为发现Laves阶段提供了强大的工具.
- 该模型成功地预测并指导了新的Laves阶段候选物Cd(Cu1-xSbx) 2. 2 的合成.
- 这种方法加速了材料的发现和金属间化合物的实验验证.
