基于模型融合的超导体数据集应用

超导性自一个多世纪前被发现以来,一直是大量研究工作的重点。传统发现新材料的方法,如经验试错法和基于密度泛函理论(DFT)的方法,由于开发周期长、效率低、成本高,已经不能跟上当今材料科学的发展。因此,机器学习由于其计算成本低、开发周期短,加上强大的数据处理能力和高预测性能,正在材料检测、材料分析和材料设计中广泛应用。我们使用SuperCon数据库中的超导体来构造元素向量,然后对它们的临界温度(Tc)进行建模。首先根据材料的Tc值将其分为20K以上和20K以下两类,并训练预测该标签的分类模型。展现了很强的预测能力,样本外准确度约为94%,均方根误差为±8.84805931660591K。