基于机器学习的超导临界温度预测

过低的超导临界温度(T_(c))一直是限制超导材料广泛应用的主要原因,因此如何设计出具有较高T_(c)的合金是超导材料发展的关键步骤。本工作以机器学习算法为工具,基于两种特征生成器和九种回归算法,建立了预测T_(c)的数据驱动模型,提高了新型超导合金的研发效率。结果表明,极端随机树算法(etr)和Magpie规则的预测效果最好,决定系数(R^(2))和平均绝对误差(MAE)在测试集上分别能达到0.88和2.21 K。为降低模型的复杂程度,对生成的特征通过过滤法和穷举法进行特征筛选,再结合特征的重要性排序,得到对T_(c)影响最大的三种特征分别是电负性的平均绝对偏差、平均未填充电子数和平均s层未填充电子数。以三种特征为变量,建立T_(c)的预测图谱,发现在平均s层未填充电子数为0.2~0.6,电负性的平均绝对偏差为0.5~1.2,平均未填充电子数为0~5时,材料有着大于50 K的T_(c),为新型超导合金的成分设计提供方向。