A Boosted Machine Learning Framework for the Improvement of Phase and Crystal Structure Prediction of High Entropy Alloys Using Thermodynamic and Configurational Parameters

要約

高エントロピー合金 (HEA) の顕著な特性の背後にある理由は、それらに含まれる多様な相と結晶構造に根ざしています。
マテリアルインフォマティクスの分野では、HEA の相と結晶構造を分類するために機械学習 (ML) 技術を採用することがかなりの重要性を獲得しています。
この研究では、フェーズを予測するために、さまざまな組成を持つ 1,345 個の HEA の新しいコレクションを組み立てました。
このコレクションには、熱力学と電子配置を利用して結晶構造を予測するために利用された 705 セットのデータがありました。
私たちの研究では、予測精度を高めるために強い相関関係がある特徴を選択するのに役立つピアソン相関係数という系統的なフレームワークを導入しています。
この研究では、5 つの異なるブースティング アルゴリズムを使用して相と結晶構造を予測し、これらの予測の精度を向上させるための強化されたガイドラインを提供しました。
これらすべてのアルゴリズムの中で、XGBoost は相の予測精度 (94.05%) が最も高く、LightGBM は相の結晶構造の予測精度 (90.07%) が最も高くなります。
モデルの精度にパラメータが及ぼす影響の定量化が行われ、相予測と結晶構造予測のプロセスにおける個々のパラメータの寄与を解明するための新しいアプローチが行われました。

要約(オリジナル)

The reason behind the remarkable properties of High-Entropy Alloys (HEAs) is rooted in the diverse phases and the crystal structures they contain. In the realm of material informatics, employing machine learning (ML) techniques to classify phases and crystal structures of HEAs has gained considerable significance. In this study, we assembled a new collection of 1345 HEAs with varying compositions to predict phases. Within this collection, there were 705 sets of data that were utilized to predict the crystal structures with the help of thermodynamics and electronic configuration. Our study introduces a methodical framework i.e., the Pearson correlation coefficient that helps in selecting the strongly co-related features to increase the prediction accuracy. This study employed five distinct boosting algorithms to predict phases and crystal structures, offering an enhanced guideline for improving the accuracy of these predictions. Among all these algorithms, XGBoost gives the highest accuracy of prediction (94.05%) for phases and LightGBM gives the highest accuracy of prediction of crystal structure of the phases (90.07%). The quantification of the influence exerted by parameters on the model’s accuracy was conducted and a new approach was made to elucidate the contribution of individual parameters in the process of phase prediction and crystal structure prediction.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google