基于机器学习方法的二维材料带隙预测

发布时间：2021-01-02 08:07

　　利用密度泛函理论与机器学习相结合的方法,对二维金属化合物的带隙进行研究,得到比传统理论计算成本更低且更有效的带隙预测方法.以广义梯度近似（general gradient approximation,GGA）-Perdew-Burke-Ernzerhof（PBE）（GGA-PBE）和G₀W₀的带隙计算结果为参考,考察了化学通式为MX2的二维材料数据集.利用套索回归,即最小绝对值收敛和选择算子（least absolute shrinkage and selection operator,LASSO）、支持向量回归（support vector regression,SVR）和梯度树提升回归（gradient boosting regression,GBR）等机器学习方法建立带隙的预测模型.测试结果表明,对于大多数二维材料,基于线性核函数的SVR与LASSO模型的预测性能相对较好,训练模型的平均绝对误差为0.34 eV,测试集误差为0.5 eV.这说明对于二维材料带隙采取的特征参数集具有一定的完备性和合理性,对新材料带隙的初步预测有一定的参考价... 

【文章来源】：上海大学学报(自然科学版). 2020年05期 北大核心

【文章页数】：10 页

【部分图文】：

图３?ＳＶＲ，ＬＡＳＳＯ，?ＧＢＲ回归模型??Ｆｉｇ．?３?ＳＶＲ，?ＬＡＳＳＯ，?ａｎｄ?ＧＢＲ?ｒｅｇｒｅｓｓｉｏｎ?ｍｏｄｅｌｓ??ｓｐｎｃｔｔｑ?Ｐ＜Ｕ；０１Ｐ９￡??


本文编号：2952987