集成机器学习,用于预测和理解化玻璃的折射率
Miruna-Ioana Belciu1,2, Alin Velea1
1National Institute of Materials Physics, Atomistilor 405A, 077125 Magurele, Romania.
Molecules (Basel, Switzerland)
|May 7, 2025
概括
机器学习准确地预测了石化玻璃 (ChGs) 中的折射率. 关键因素包括元素密度和原子性质,使光子应用的优化材料设计成为可能.
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
- 光电学是指光电子产品.
背景情况:
- 炭化物玻璃 (ChGs) 具有独特的光学和电气性能.
- 对于先进的光子和光电子设备来说,CHG至关重要.
- 人工智能加速了材料设计和优化.
研究的目的:
- 开发可靠的机器学习模型,用于预测CHG的折射率.
- 为了确定影响折射率的关键材料描述符.
- 利用人工智能系统地选择和优化ChG组合.
主要方法:
- 利用来自SciGlass数据库的541个ChG样本的数据集.
- 采用了各种机器学习模型,包括集合逻辑回归和CatBoostRegressor.
- 进行了SHAP特征分析,以确定描述符的重要性.
主要成果:
- 通过整体逻辑回归模型实现了0.8985的优越R2值.
- CatBoostRegressor模型显示了0.8920.20的高R2值.
- 确定了元素密度,原子重量,基态原子间隙和p价值电子分数作为折射率调整的关键.
结论:
- 机器学习为预测ChG属性提供了一个强大的工具.
- 元素和原子属性对于控制CHG的折射率至关重要.
- 这种方法促进了针对特定光电子应用的CHG的合理设计.


