基于机器学习的BiFeO3-PbTiO3-BaTiO3固溶体居里温度预测

TQ174; 钙钛矿(ABO3)型压电陶瓷的发展已有几十年历史,现存有大量数据,从这些数据中寻找出材料结构与性能之间的关系很有意义.本工作收集了BiFeO3-PbTiO3-BaTiO3钙钛矿型压电陶瓷居里温度(Tc)实验数据,通过机器学习,构建钙钛矿型压电陶瓷Tc的预测模型.热力学角度,Tc与约合质量符合二次多项式关系,但偏差较大.选择元素信息、物理量、空间群编号等基础描述符,利用基于压缩感知原理的SISSO(Sure Independence Screening and Sparsifying Operator)方法进行机器学习,找出了Tc与成分之间的相关性.比较不同描述符在不同维度上的均方根误差RMSE(Root Mean Square Error),发现描述符越多、越基础,维数越大、RMSE越小.同时比较相同个数描述符在同一维度下的RMSE,用约合质量、A位和B位的离子半径比、A位和B位的未填充电子数比和Ba、Pb、Bi的元素含量等六个描述符构建出最优的四维模型,其RMSE为0.59℃,最大绝对误差(MaxAE)为1.38℃,外部测试的平均相对误差MRE(Mean Relative Error)为1.00％.结果表明,利用SISSO可以进行有限样本钙钛矿型压电陶瓷Tc的机器学习预测.