可解释机器学习用于设计基于 (K,Na) NbO₃的制陶,使用组合和知识嵌入式描述符

科学领域:

• 材料科学 材料科学 材料科学
• 陶工程 陶工程 陶工程
• 计算材料科学科学 计算材料科学

背景情况:

• 基于酸盐酸 (KNN) 的陶具有有前途的压电特性,对于传感器和执行器应用至关重要.
• 通过化学修饰来增强KNN的压电性是有效的,但缺乏有效的选方法来进行最佳的剂选择.
• 机器学习 (ML) 提供了预测压电性能的潜力,但往往缺乏可解释性.

研究的目的:

• 使用ML开发一个可解释的框架来识别影响KNN陶中压电常数 (d33) 的关键特征.
• 量化分析材料特征对d33预测的影响,揭示非线性和交互效应.
• 在KNN材料设计中创建组合描述符,以提高ML模型性能和可解释性.

主要方法:

• 使用Shapley添加式扩展 (SHAP) 来分析ML模型中的特征重要性和相互作用,预测d33.3.
• 使用确定独立性选和分散操作员 (SISSO) 来从关键特征中生成组合描述符.
• 使用个体特征和新型组合描述符训练和评估ML模型,评估MAE和R^2.2.等性能指标.

主要成果:

• 确定了关键特征及其转折点 (例如烧结温度),这些特征显著影响KNN的压电 (d33).
• 开发了与d33呈现近似线性的一些组合式描述符,从而实现了透明的线性模型.
• 使用结合式描述符的ML模型实现了高性能,达到MAE<30 pC/N和R^2>0.9.9.

结论:

• 开发的可解释框架有效指导基于KNN的陶的合理设计,以提高压电性能.
• 通过组合描述器进行特征工程显著提高了ML模型的解释性和预测准确性.
• 这种以特征为中心的方法为管理KNN材料压电增强的复杂机制提供了宝贵的见解.