针对目前大多数机器学习模型预测材料性质时需要大量的先验知识以及特征向量筛选困难的问题,基于电子轨道矩阵和元素周期表法两种描述符,通过特征融合的方式,设计了一种卷积神经网络模型OPCNN(Orbital of electron and Periodic table C...针对目前大多数机器学习模型预测材料性质时需要大量的先验知识以及特征向量筛选困难的问题,基于电子轨道矩阵和元素周期表法两种描述符,通过特征融合的方式,设计了一种卷积神经网络模型OPCNN(Orbital of electron and Periodic table CNN)。实验数据表明,OPCNN与其他预测模型相比,在带隙、生成热以及形成能数据集上都有着更好的性能,平均绝对误差分别为0.26 eV、0.037 KJ/mol和0.073 eV/atom,且R2都达到了91%以上。OPCNN在保证了预测准确性的同时对先验知识的要求更低,只需要元素周期表中的信息即可预测材料性质,特征融合的思想可以让特征设计更加灵活,有利于新材料体系快速和准确的预测。展开更多
文摘针对目前大多数机器学习模型预测材料性质时需要大量的先验知识以及特征向量筛选困难的问题,基于电子轨道矩阵和元素周期表法两种描述符,通过特征融合的方式,设计了一种卷积神经网络模型OPCNN(Orbital of electron and Periodic table CNN)。实验数据表明,OPCNN与其他预测模型相比,在带隙、生成热以及形成能数据集上都有着更好的性能,平均绝对误差分别为0.26 eV、0.037 KJ/mol和0.073 eV/atom,且R2都达到了91%以上。OPCNN在保证了预测准确性的同时对先验知识的要求更低,只需要元素周期表中的信息即可预测材料性质,特征融合的思想可以让特征设计更加灵活,有利于新材料体系快速和准确的预测。
文摘X射线衍射(XRD)图谱数据的采集和分析是新材料开发周期中必不可少的步骤之一,常规实验表征很难实现大批量的测试和快速鉴别.文章基于DenseNet设计了一个衍射图空间群识别的神经网络模型SE-DenseNet.SE-Dense Net在简化了网络结构的同时,通过增加注意力机制(Squeeze and Excitation,SE),并采用新的激活函数来提高网络模型的性能.研究表明,在具有32337个样本包含20类空间群的数据集上,SE-Dense Net的准确率为81.73%,较基础对照模型提高了4.9%.研究发现,尽管数据集的不平衡性是限制神经网络模型预测准确度的主要原因之一,但SE-DenseNet的性能足以在短时间对大量衍射图数据产生准确的预测,并提供有意义的参考.
