用数据挖掘辅助材料设计杂的LaMnO₃佩洛夫斯基特具有更高的基里温度

科学领域:

• 材料科学 材料科学 材料科学
• 凝聚物质物理学 凝聚物质物理学
• 计算材料科学科学 计算材料科学

背景情况:

• 基于LaMnO3的矿的库里温度 (Tc) 对磁性和自旋电子应用至关重要.
• 发现具有较高Tc的新矿在材料设计中构成了重大挑战.

研究的目的:

• 开发一种可预测的机器学习框架,用于确定杂的LaMnO3矿的基里温度 (Tc).
• 为了利用基本的原子描述器进行准确的TC预测.
• 为了促进新矿材料的高通量选,使用增强的Tc.

主要方法:

• 系统优化支持向量回归 (SVR) 架构.
• 使用基本的原子描述符来训练预测模型.
• 一次性交叉验证 (LOOCV) 和独立测试集评估.
• 使用在线计算平台进行材料数据挖掘 (OCPMDM) 的高通量选.

主要成果:

• 通过LOOCV获得0.9111的高相关系数 (R),并在独立测试组中获得0.8385的高相关系数,证明了该模型的预测准确性.
• 通过高通量选成功识别了具有潜在更高基里温度的候选矿材料.
• 验证了机器学习的有效性和成本效益,用于识别具有Tc升高的兰矿矿.

结论:

• 机器学习,特别是SVR,提供了一种高效和准确的方法来预测杂的LaMnO3矿的基里温度.
• 开发的预测框架和在线平台加速了用于磁性和自旋电子应用的先进材料的发现.
• 基于Web的计算基础设施确保了验证的机器学习模型的全球可访问性和开放式访问部署.