基于小样本数据集的深度学习:预测SrTiO3类型矿的介电性质,使用兴奋剂修饰
Quan Luo1, Hua Hao1, Hanxing Liu1
1State Key Laboratory of Advanced Technology for Materials Synthesis and Processing, Center for Smart Materials and Device, International School of Materials Science and Engineering, Wuhan University of Technology, Wuhan, PR 430070, People's Republic of China.
Royal Society open science
|July 30, 2024
概括
这项研究使用深度学习模型通过分析酸 (SrTiO3) 兴奋剂数据来预测矿的储能能力. 这种新的方法提高了准确性,为设计先进的矿材料提供了一种新方法.
科学领域:
- 材料科学 材料科学 材料科学
- 半导体物理 半导体物理
- 储能 储能 储能 储能 储能 储能
背景情况:
- 矿材料,特别是酸 (SrTiO3),由于其效率和灵活性,对储能非常有希望.
- 提高SrTiO3的能量储存密度通常涉及多,以增加其介电常数.
- 现有的SrTiO3兴奋剂数据受到分散和小样本大小的影响,限制了研究.
研究的目的:
- 开发一个预测模型,用于酸 (SrTiO3) 矿的介电性质和能量储存密度.
- 克服SrTiO3兴奋剂研究中小型和分散的实验数据集的局限性.
- 建立一个可靠的方法来优化基于矿的储能材料.
主要方法:
- 编制了200个关于SrTiO3型矿兴奋剂的实验记录的数据集.
- 在交互式框架内利用深度神经网络 (DNN) 和1D卷积神经网络 (CNN) 模型.
- 作为预测的唯一输入特征,使用了兴奋剂元素的摩尔百分比.
主要成果:
- 通过使用DNN和CNN模型,在预测介电性能方面取得了显著提高的准确性.
- 证明了深度学习模型在传统方法 (如梯度增强回归) 上的优势.
- 验证了仅使用兴奋剂元素分子百分比作为输入特征的有效性.
结论:
- 深度学习模型提供了一种新且有效的方法来预测矿的储能特性.
- 该研究为设计和优化先进的矿储能材料提供了宝贵的参考.
- 这种方法解决了数据的局限性,并提高了材料科学研究中的预测准确性.
