[发明专利]基于机器学习快速预测ABO3

说明书

本发明公开了一种基于机器学习快速预测ABOsubgt;3/subgt;钙钛矿带隙的在线预报程序，步骤如下：从文献中收集ABOsubgt;3/subgt;钙钛矿材料的化学式和对应的带隙数值以及这些材料的部分实验条件，作为机器学习的数据集样本；再根据化学式生成对应的描述符；再划分训练集和测试集；用嵌入法结合梯度提升回归算法对特征变量进行筛选；利用材料数据挖掘在线计算平台上的梯度提升回归算法建立ABOsubgt;3/subgt;钙钛矿材料带隙的快速预报模型，预报测试集样本的带隙；将建立预报模型生成为在线预报应用程序。本发明建立了高效快捷的预报模型，生成了一个能公开使用的在线预报应用程序，帮助节约实验时间和成本，提高材料开发效率，具有快速方便、低成本、绿色环保的优点。

技术领域

本发明涉及钙钛矿的电学性能领域，是一种基于机器学习预测ABO₃钙钛矿带隙的在线预报应用程序，应用于特定带隙的ABO₃钙钛矿新材料设计和高通量筛选。

背景技术

钙钛矿由于其稳定的晶体结构、独特的理化性质而逐渐成为新材料开发研究的热点。 ABO₃钙钛矿价格低廉，适应性和稳定性良好，且电子结构可调，是一种有前途的光催化材料。此外，它们还具有扩大光吸收范围，限制光诱导载流子重组和进一步改善可见光照射下光催化性能的潜在优势。在光催化分解水制氢及光催化降解有机污染物方面具有很好的应用前景。

带隙(Band Gap)是导带的最低点和价带的最高点的能量之差，也称能隙，符号为E_g。在光催化反应中，作为光催化剂的半导体，其带隙是光电转换效率的重要影响因素之一。因此，选择具有合适带隙的半导体是重要步骤。

嵌入式特征选择方法是特征筛选的一种较经典方法。它的主要思想是将特征选择过程与学习器训练过程相结合，利用算法本身的特性在学习器训练过程中自动选择特征。嵌入式特征选择方法对特征进行搜索时围绕学习算法展开，能够考虑学习算法所属的任意学习偏差。原理简单且效果好速度快。

材料数据挖掘在线计算平台(OCPMDM)是一个用于辅助材料设计的数据挖掘平台，是一个用于机器学习建模的非常便利的工具。其里面包含了多种机器学习算法，还具备了一个强大的模型分享功能，每一个建立的模型都可以通过此功能生成一个独立的在线应用程序。本工作使用材料数据挖掘在线计算平台(OCPMDM)进行建模，并生成在线预报应用程序。

梯度提升回归树(Gradient boosting regression tree，简称GBRT)是由斯坦福教授Friedman 提出的一种集成学习算法。GBRT主要包括两种算法：回归树算法和增强算法。回归树对异常值具有鲁棒性，并被用作原始模型，而增强算法则用于提高模型预测的准确性。GBRT的核心思想是添加新的回归树以最小化每次迭代中的目标函数，每棵新树都是在上一棵树的残差上进行学习，并且都沿着损失函数的负梯度方向进行训练，通过多次迭代，训练多个弱学习器，最终将这些弱学习器进行线性组合产生一个强学习器。它是一种功能强大的机器学习技术，具有很强的预测能力和良好的实际应用效果，已经广泛应用于各个领域。本工作应用梯度提升回归方算法进行建模。

ABO₃钙钛矿带隙的获得通常基于实验“试错法”，该方法耗时长、成本高且存在盲目性。不利于快速获得所需带隙值的特定钙钛矿材料。而已有的ABO₃钙钛矿带隙预测技术准确性不高，效果较差，方法不够便捷，且难以公开使用。目前还没有能够快速、精确预测ABO₃钙钛矿带隙的公开且便捷的在线预报方法。

发明内容