A Statistical Learning Framework for Materials Science: Application to Elastic Moduli of k-nary Inorganic Polycrystalline Compounds.
A Statistical Learning Framework for Materials Science: Application to Elastic Moduli of k-nary Inorganic Polycrystalline Compounds.
复制标题
DOI：
10.1038/srep34256
复制
发表时间：
2016-10-03
影响因子：
4.6
通讯作者：
Gamst A
中科院分区：
文献类型：
--
作者：
de Jong M;Chen W;Notestine R;Persson K;Ceder G;Jain A;Asta M;Gamst A
材料科学家越来越多地使用机器或统计学习（SL）技术来加速材料的发现和设计。这种追求受益于汇集训练数据，从而能够概括不同化学和结构的k-nary化合物的预测。这项工作提出了一个SL框架，解决了材料科学应用中的挑战，其中数据集是多样的，但规模适中，极值往往是感兴趣的。我们的进展包括应用功率或Hölder手段来构建概括化学和晶体结构的描述符，以及在梯度提升框架内纳入多变量局部回归。通过开发SL模型来预测多晶无机化合物的体模量和剪切模量（分别为K和G），使用来自金属，半导体和绝缘体的计算弹性模量的不断增长的数据库中的1，940种化合物来证明该方法。该模型的实用性说明筛选超硬材料。
Materials scientists increasingly employ machine or statistical learning (SL) techniques to accelerate materials discovery and design. Such pursuits benefit from pooling training data across, and thus being able to generalize predictions over, k-nary compounds of diverse chemistries and structures. This work presents a SL framework that addresses challenges in materials science applications, where datasets are diverse but of modest size, and extreme values are often of interest. Our advances include the application of power or Hölder means to construct descriptors that generalize over chemistry and crystal structure, and the incorporation of multivariate local regression within a gradient boosting framework. The approach is demonstrated by developing SL models to predict bulk and shear moduli (K and G, respectively) for polycrystalline inorganic compounds, using 1,940 compounds from a growing database of calculated elastic moduli for metals, semiconductors and insulators. The usefulness of the models is illustrated by screening for superhard materials.
登录
查看更多内容
影响因子：
9.8
作者：
de Jong, Maarten;Chen, Wei;Angsten, Thomas;Jain, Anubhav;Notestine, Randy;Gamst, Anthony;Sluiter, Marcel;Ande, Chaitanya Krishna;van der Zwaag, Sybrand;Plata, Jose J.;Toher, Cormac;Curtarolo, Stefano;Ceder, Gerbrand;Persson, Kristin A.;Asta, Mark
通讯作者：
Asta, Mark
影响因子：
3.3
作者：
Adasch, Volker;Hess, Kai-Uwe;Hillebrecht, Harald
通讯作者：
Hillebrecht, Harald
影响因子：
3.7
作者：
Gaston, Nicola;Paulus, Beate;Stoll, Hermann
通讯作者：
Stoll, Hermann
T-碳的硬度：密度泛函理论计算
影响因子：
3.7
作者：
Chen, Xing-Qiu;Niu, Haiyang;Li, Yiyi
通讯作者：
Li, Yiyi
影响因子：
3.3
作者：
Curtarolo, Stefano;Setyawan, Wahyu;Levy, Ohad
通讯作者：
Levy, Ohad