申请/专利权人：昆明理工大学

申请日：2022-11-09

公开（公告）日：2023-01-06

公开（公告）号：CN115579089A

主分类号：G16C60/00

分类号：G16C60/00;G16C20/64;G16C20/70;G06N20/00;G06N5/00

优先权：

专利状态码：在审-实质审查的生效

法律状态：2023.01.24#实质审查的生效;2023.01.06#公开

摘要：本发明涉及一种基于机器学习的理想带隙钙钛矿材料筛选方法，包括采集有机无机杂化钙钛矿材料实验带隙数据，利用钙钛矿本征特征构建特征池，计算特征间皮尔逊相关系数剔除相关性强的冗余特征，再利用梯度提升回归树算法对剩余特征进行重要性排序，按排序顺序进行迭代学习以筛选模型精度最高时的最优子特征组合，通过最优子特征构建基于梯度提升回归算法和符号回归算法的机器学习带隙预测模型。本发明利用元素本征特征作为组分与带隙间的中间输入，与直接用组分作为输入的方法相比，降低了特征维度与模型复杂度，提出的子特征筛选方法与符号回归算法的结合，将模型维度降低到一维，在保证精度的前提下模型简单且使用方便，利于大规模预测筛选。

主权项：1.一种基于机器学习的理想带隙钙钛矿材料筛选方法，其特征在于，包括以下步骤：步骤1，采集钙钛矿材料数据和每种钙钛矿材料对应的带隙实验值，所有钙钛矿材料的元素组成为ABX，A、B和X三种位置的元素剂量比和为1：1：3，其中，A代表Cs、FA和MA中的任一种、任两种或三种组合，FA为HCNH22，MA为CH3NH3，B代表Pb和Sn中的任一种或两种组合，X代表Br、Cl和I中的任一种、任两种或三种的组合；步骤2，以元素剂量比为权重，对A、B、X元素对应的本征特征进行加权数学运算得到加权平均特征，再将加权平均特征进行加、减、除运算，得到运算特征，将加权平均特征和运算特征作为初始特征；步骤3，通过计算初始特征间皮尔逊相关系数剔除相关性0.95的冗余初始特征，构建特征池；步骤4，基于步骤3计算得到的特征池，运用GBRT算法进行特征重要性排序；步骤5，以GBRT算法测试集预测精度为目标函数，进行子特征迭代筛选，筛选出GBRT模型精度最高时对应的子特征集；步骤6，以步骤5筛选出的子特征集为输入自变量，钙钛矿实验带隙值为输出因变量，构建钙钛矿材料的带隙预测模型；步骤7，根据元素组成，按各元素剂量比0-1，步长0.01的组分梯度，构建待筛选钙钛矿材料组分数据集，利用带隙预测模型预测并筛选出理想带隙对应的钙钛矿材料。

全文数据：

权利要求：

百度查询： 昆明理工大学 一种基于机器学习的理想带隙钙钛矿材料筛选方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD