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R^(2)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R^(2)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。