机器学习方法预测含硼材料能隙

近年来,含硼材料在新能源、催化等领域日益受到重视,然而,对于高附加值的含硼材料发展还存在很高的技术壁垒.因此,亟需深入研究含硼材料微观性质间的关联关系,推动高端含硼材料的研发.本工作面向材料研究从传统的试错法向数据驱动的研究范式转变的需求,通过特征选择、网格搜索优化以及特征重要性分析,探索了多种重要的机器学习算法在含硼材料能隙预测中的应用.结果表明,采用随机森林算法的能隙预测模型决定系数(R^(2))可达0.84,并发现含硼材料的总磁化强度(total magnetization)特征与能隙存在显著的负相关关系,即材料的总磁化强度越小,其能隙越大.本工作表明机器学习方法可用于定向设计具有特定能隙的含硼材料.同时,结果也表明,作为一种集成学习模型,随机森林具有较好的学习能力与稳定的预测性能,可以应用到其它类型材料体系的能隙以及其它材料属性的预测,加速材料性能的设计与优化过程,对新型功能材料的快速筛选与高性能预测具有重要的科学意义.