论文摘要
铁电材料由铁电相转化为顺电相的临界温度被称为居里温度,是铁电材料的一个关键指标.本文使用固溶体组成元素的基本物理性质等特征对不同组分和配比的铅基钙钛矿铁电固溶体进行了统一的描述,采用岭回归、支持向量回归、极端随机森林回归等机器学习方法对铅基钙钛矿铁电固溶体的居里温度进行了学习.使用交叉验证的方法对学习效果进行验证,得到上述机器学习方法对材料居里温度的预测值与实验值之间的平均误差分别为14.4, 14.7, 16.1 K,集成三种回归方法优化的模型在交叉验证中测得的平均误差为13.9 K.在此基础上对超过20万种铅基钙钛矿的居里温度进行了预测,给出了两种可能具有高居里温度的铁电材料.
论文目录
文章来源
类型: 期刊论文
作者: 杨自欣,高章然,孙晓帆,蔡宏灵,张凤鸣,吴小山
关键词: 机器学习,铁电,居里温度,钙钛矿
来源: 物理学报 2019年21期
年度: 2019
分类: 基础科学,工程科技Ⅰ辑,信息科技
专业: 材料科学,自动化技术
单位: 南京大学物理学院固体微结构国家实验室
基金: 国家自然科学基金(批准号:118742007)资助的课题~~
分类号: TB34;TP181
页码: 43-51
总页数: 9
文件大小: 1678K
下载量: 193