可解释机器学习与预测不确定性量化为 (K_0.5Na_0.5) 中的d₃₃ NbO₃基于无的压电陶

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:

• 发现高性能无压电陶是具有挑战性的,因为巨大的组成空间.
• 传统的机器学习 (ML) 模型往往缺乏可解释性,阻碍了材料设计.
• 无压电材料对于可持续的电子应用至关重要.

研究的目的:

• 开发一个基于物理的,可解释的ML框架来预测压电特性.
• 整合不确定性量化用于可靠的材料预测.
• 确定控制 (K0.5Na0.5) NbO3 (KNN) 基陶中的压电系数 (d33) 的关键因素.

主要方法:

• 使用了1113个基于KNN的陶样本的精选数据集.
• 特性工程将A位点和B位点的离子贡献脱,减少了描述符.
• 使用了深度神经网络,Wide & Deep网络,残余网络和贝叶斯神经网络.
• 为了解释性,使用了夏普利添加式扩展 (SHAP) 和确定独立选和散散运算符 (SISSO).

主要成果:

• ML框架实现了对压电系数 (d33) 的高预测精度 (R2 ≈ 0.81).
• 来自贝叶斯神经网络的预测不确定性量化模型信心.
• 一个紧的分析描述器确定了烧结温度,B位电子异构性和A位离子位移作为关键的决定因素.
• 该框架为无压电材料提供了透明的设计规则.

结论:

• 拟议的基于物理的ML框架加速了高性能无压电材料的发现.
• 解释性和不确定性量化对于可靠的ML驱动材料设计至关重要.
• 了解烧结温度,电子异构和离子位移的相互作用,可以对基于KNN的陶进行有针对性的优化.