基于可解释机器学习的氧化玻璃的热和光学性能预测
Yuhao Xie1, Xiangfu Wang2,3
1College of Integrated Circuit Science and Engineering, Nanjing University of Posts and Telecommunications, Nanjing 210023, China.
Nanomaterials (Basel, Switzerland)
|June 11, 2025
概括
本研究使用机器学习模型,根据其组件预测氧化玻璃的热和光学特性. 开发的模型有助于设计新的眼镜和计算机辅助反向设计.
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
- 玻璃科学 玻璃科学
背景情况:
- 氧化玻璃具有独特的热和光学性能.
- 准确预测这些特性对于材料设计至关重要.
- 开发高效的玻璃性能预测方法是一个持续的挑战.
研究的目的:
- 构建一个最佳的机器学习模型来预测氧化化玻璃的热和光学特性.
- 通过SHAP分析阐明玻璃组件对材料性能的影响.
- 创建用于设计新型氧化化玻璃成分的预测地图.
主要方法:
- 使用了四个机器学习算法:K-最近邻居,随机森林,支持矢量机器和极端梯度提升.
- 为了模型的可解释性,使用了SHAP (夏普利添加式解释) 分析.
- 开发了基于训练模型的三元系统预测地图.
主要成果:
- 成功构建了一个最佳的机器学习模型,以预测玻璃过渡温度,密度,阿贝数,液体温度,热膨胀系数和折射率等关键性质.
- SHAP分析确定了不同玻璃组件对预测性能的重大影响.
- 三元预测图有效地预测了不同成分比例的玻璃的性能.
结论:
- 该研究提出了一种基于组件的新方法,用于设计氧化物玻璃.
- 开发的机器学习模型和预测图为加速发现新的玻璃材料提供了宝贵的工具.
- 这项工作支持玻璃科学中的计算机辅助反向设计策略.
相关概念视频
02:27Predicting Molecular Geometry
35.8K
VSEPR Theory for Determination of Electron Pair Geometries
35.8K
01:28Classification and Mechanical Properties of Synthetic Polymers
22
Synthetic polymers are classified as elastomers, fibers, or plastics based on their crystallinity. Crystallinity, the degree of long-range order in the solid state, influences the mechanical properties (stretching or contracting) of elastomers. Elastomers are flexible polymers that can expand or contract easily upon the application of an external force. They have numerous crosslinks that pull them back into their original shape when stress is removed. Silicones, for instance, are highly elastic...
22