概括
机器学习准确地预测稀土发光材料的热增强,克服效率损失. 这种方法加速了用于高温应用的材料的设计.
科学领域:
- 材料科学 材料科学 材料科学
- 发光的光度是非常的低.
- 机器学习 机器学习
背景情况:
- 稀土发光材料遭受热火,在高温下降低效率.
- 热诱导光增强是抵消火的关键,但其机制尚不清楚.
- 目前的理解依赖于广泛的,耗时的试错实验.
研究的目的:
- 开发一种机器学习 (ML) 方法,用于预测Er3+上转换发光中的热增强.
- 建立增强强度和诸如刺激波长,温度和兴奋剂度等因素之间的关系.
- 为了解光热增强机制提供数据驱动的方法.
主要方法:
- 使用构建的特征数据集训练了八个ML模型.
- 专注于集成树模型,如XGBoost和梯度提升.
- 对新的化物和烯酸材料系统的验证模型.
主要成果:
- 综合树模型实现了R2系数>0.84和MAE<0.35,用于预测绿色和红色光增强.
- 模型表现出了出色的概括能力,在新材料上预测误差低至3.58%.
- 在各种材料系统中准确预测热增强特性.
结论:
- 在高温应用中,ML提供了一种高效可靠的方法来优化升级转换的发光材料.
- 这项研究为光热增强机制提供了新的数据驱动的视角.
- 开发的ML模型可以加速先进发光材料的合理设计.
更多相关视频
06:08Time-resolved Photophysical Characterization of Triplet-harvesting Organic Compounds at an Oxygen-free Environment Using an iCCD Camera
Published on: December 27, 2018
9.4K
07:34Excitation-Scanning Hyperspectral Imaging Microscopy to Efficiently Discriminate Fluorescence Signals
Published on: August 22, 2019
8.4K
