关于铅基钙钛矿铁电晶体高临界转变温度的机器学习分析.pdf

简介：
本文利用机器学习技术对铅基钙钛矿铁电晶体的高临界转变温度进行了深入研究和预测分析，揭示了影响材料性能的关键因素。 这篇研究主要探讨了利用机器学习方法预测铅基钙钛矿铁电晶体的高临界转变温度（居里温度）。铁电材料的居里温度是衡量其从铁电相转变为顺电相的关键参数，对于材料的应用至关重要。尤其是铅基钙钛矿铁电晶体，因其优异的压电和热电性质，在各种器件中广泛应用，但它们的居里温度通常较低，限制了在高温环境中的使用。 研究团队采用了岭回归、支持向量回归和极端随机森林回归等多种机器学习算法，并以固溶体组成元素的基本物理性质作为特征来预测铅基钙钛矿铁电晶体的居里温度。这些特征可能包括元素的电荷、原子半径、离子极化能力等。通过交叉验证评估模型性能，结果显示，这三种方法对居里温度的平均误差分别为14.4K、14.7K和16.1K。整合优化后的回归模型在交叉验证中的平均误差进一步降低至13.9K。 基于此研究结果，研究人员预测了超过20万种铅基钙钛矿铁电晶体的居里温度，并从中筛选出可能具有高居里温度的新材料候选者。这种方法极大地节省了实验资源，有助于快速发现性能优良的新材料。 此外，文章还回顾了一些先前的研究工作，如Liu等人通过实验研究了PLN-PT二元固溶体，Wu等人则研究了PIN-PMN-PT三元固溶体。这些研究表明改变组成元素和比例可以显著影响居里温度。然而由于组合数量巨大，传统方法的探索非常耗时。因此，在材料科学领域应用机器学习变得越来越重要。 先前的研究如Balachandran等人的工作也表明了机器学习模型能够有效地预测居里温度，但其精度与鲁棒性仍有提升空间。本研究通过结合多种算法并优化提高了预测准确性，为铅基钙钛矿铁电晶体的高性能设计提供了理论支持。 这项研究表明利用机器学习技术成功地预测了铅基钙钛矿铁电晶体的高临界转变温度（居里温度），开辟了材料科学领域的新途径。这种方法使科研人员能够更高效地探索具有高居里温度的新型铁电材料，从而推动相关领域的技术进步，并突显了在复杂材料系统问题上机器学习的应用潜力，特别是在新材料设计和性能预测方面的作用。