基于化学信息的机器学习基于固体混合氧化物的热容量预测

科学领域:

• 材料科学 材料科学 材料科学
• 计算化学计算化学
• 热力学是一种热力学.

背景情况:

• 准确的热容量预测对于热能储存和模拟氧化物混合物的温度变化至关重要.
• 现有的方法,如ab initio模拟和计算热力学通常是计算密集的,缺乏概括性,或是不准确的.
• 机器学习 (ML) 为快速,准确和可概括的属性预测提供了一个有希望的途径,但它对混合氧化物热容量的应用是有限的.

研究的目的:

• 开发一种可通用的机器学习 (ML) 方法,用于预测固体氧化物伪二氧化物混合物的热容量.
• 在计算成本,准确性和范围方面解决当前预测技术的局限性.
• 建立一个利用现有数据和计算工具进行高效材料属性预测的工作流.

主要方法:

• 使用的热容量数据来自计算热力学.
• 使用的描述符来源于ab initio数据库.
• 在这些数据集上训练机器学习模型,以预测热容量.
• 对实验不确定性的验证模型性能.

主要成果:

• 在热容量预测中实现了0.43 J mol-1 K-1 的平均绝对误差 (MAE).
• 开发的ML模型显示的误差低于差异扫描热量计测量的不确定性.
• 工作流被证明可以用于预测混合氧化物的特性.

结论:

• 拟议的ML工作流提供了一个快速,准确和可概括的方法来预测固体氧化物伪二氧化物混合物的热容量.
• 这种方法超过了传统计算方法的准确性和效率.
• 该方法可以扩展到预测其他基布斯自由能量衍生性质和更高阶氧化物混合物,扩大其在材料科学和能源应用中的适用性.