利用密度泛函理論與機器學習相結合的方法,對二維金屬化合物的帶隙進行研究,得到比傳統(tǒng)理論計算成本更低且更有效的帶隙預測方法.以廣義梯度近似（general gradient approximation,GGA）-Perdew-Burke-Ernzerhof（PBE）（GGA-PBE）和G₀W₀的帶隙計算結果為參考,考察了化學通式為MX2的二維材料數(shù)據(jù)集.利用套索回歸,即最小絕對值收斂和選擇算子（least absolute shrinkage and selection operator,LASSO）、支持向量回歸（support vector regression,SVR）和梯度樹提升回歸（gradient boosting regression,GBR）等機器學習方法建立帶隙的預測模型.測試結果表明,對于大多數(shù)二維材料,基于線性核函數(shù)的SVR與LASSO模型的預測性能相對較好,訓練模型的平均絕對誤差為0.34 eV,測試集誤差為0.5 eV.這說明對于二維材料帶隙采取的特征參數(shù)集具有一定的完備性和合理性,對新材料帶隙的初步預測有一定的參考價... 

【文章來源】：上海大學學報(自然科學版). 2020年05期 北大核心

【文章頁數(shù)】：10 頁

【部分圖文】：

圖３?ＳＶＲ，ＬＡＳＳＯ，?ＧＢＲ回歸模型??Ｆｉｇ．?３?ＳＶＲ，?ＬＡＳＳＯ，?ａｎｄ?ＧＢＲ?ｒｅｇｒｅｓｓｉｏｎ?ｍｏｄｅｌｓ??ｓｐｎｃｔｔｑ?Ｐ＜Ｕ；０１Ｐ９￡??


本文編號：2952987