使用机器学习预测电子固体相互作用参数

科学领域:

• 材料科学 材料科学 材料科学
• 物理 物理学 物理
• 计算科学 计算科学

背景情况:

• 电子反散系数和电子停止功率对于辐射,材料科学,半导体制造和太空探索至关重要.
• 准确的数据对于计算,模拟和促进科学理解和安全至关重要.
• 机器学习 (ML) 提供了一种有希望的方法来提高数据质量和完整性.

研究的目的:

• 开发一个堆叠集团机器学习 (EML) 技术,用于生成电子固体相互作用参数.
• 预测电子反散系数和电子停止功率在广泛的能量范围内的任何材料.
• 为了利用基本的材料特性作为EML模型的输入.

主要方法:

• 使用基础学习者 (Bagging Regressor,k-NN,随机森林,SVR,XGBoost) 和一个元学习者构建了一个堆叠集团ML模型.
• 两个公共数据库有4030个数据点用于培训和测试.
• 模型性能使用R平方,MAE,RMSE和MAPE指标进行评估.

主要成果:

• 组合模型将Random Forest和XGBoost与k-NN元学习器结合在一起,表现出卓越的性能.
• 错误指标表明与训练数据密切匹配,并对未见测试数据进行准确预测.
• 该模型成功估计了新的反向散射和停止功率数据.

结论:

• 开发的ML模型在各种材料和能量中实现了电子相互作用参数的高预测准确度.
• 这项研究强调了ML在应对复杂的物理挑战方面的有效性.
• 这些发现促进了数据的发现,并支持了相关科学和技术领域的进步.