典型文献
基于机器学习的无机磁性材料磁性基态分类与磁矩预测
文献摘要：
磁性材料是信息时代重要的基础材料,?不同的磁性基态是磁性材料广泛应用的前提,?其中铁磁基态是高性能磁性材料的关键要求.?本文针对材料项目数据库中的无机磁性材料数据,?采用机器学习技术实现无机磁性材料铁磁、反铁磁、亚铁磁和顺磁基态的分类以及无机铁磁性材料磁矩的预测.?提取了材料的元素和结构属性特征,?通过两步式特征选择方法分别为磁性基态分类和磁矩预测筛选了20个材料特征,?发现材料特征中的电负性、原子磁矩和原子外围轨道未充满电子数对两种磁性性能具有重要贡献.?基于机器学习的随机森林算法,?构建了磁性基态分类模型和磁矩预测模型,?采用10折交叉验证的方法对模型进行定量评估,?结果表明所构建的模型具有足够的精度和泛化能力.?在测试检验中,?磁性基态分类模型的准确率为85.23％,?精确率为85.18％,?召回率为85.04％,?F1分数为85.24％;?磁矩预测模型的拟合优度为91.58％,?平均绝对误差为0.098?μB/atom.本研究为无机铁磁性材料的高通量分类筛选与磁矩预测提供了新的方法和选择,?可为新型无机磁性材料的设计研发提供参考.
文献关键词：
机器学习;随机森林;磁性基态;磁矩
中图分类号：
作者姓名：
黎威;龙连春;刘静毅;杨洋
作者机构：
北京工业大学材料与制造学部, 北京 100124;中国科学院物理研究所, 北京 100190
文献出处：
引用格式：
[1]黎威;龙连春;刘静毅;杨洋-.基于机器学习的无机磁性材料磁性基态分类与磁矩预测)[J].物理学报,2022(06):17-24
A类：
磁性基态
B类：
基于机器学习,磁矩,信息时代,中铁,项目数据库,机器学习技术,反铁磁,亚铁,和顺,铁磁性材料,元素和,结构属性,属性特征,两步式,特征选择,选择方法,电负性,满电,电子数,磁性性能,随机森林算法,分类模型,交叉验证,定量评估,泛化能力,测试检验,精确率,召回率,拟合优度,平均绝对误差,atom,设计研发
AB值：
0.265595
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
