[发明专利]一种基于集成机器学习高效预测钙钛矿的稳定性的方法

说明书

本发明公开了一种基于集成机器学习高效预测钙钛矿的稳定性的方法，包括建立样本集、数据预处理并选出建模的特征子集、划分训练集和测试集、构建高效预测模型、预测测试集样本的稳定性，实现快速预测钙钛矿稳定性数值。本发明通过来源于文献和数据库中的样本数据，建立了高效的预测模型，具有简单便捷、成本低廉、绿色环保的优点。使用本发明的集成机器学习模型预测钙钛矿的稳定性，能帮助研究人员避免实验“试错法”的盲目性，节约实验时间和成本，提高材料研发效率。

技术领域

本发明涉及钙钛矿的热力学稳定性领域的应用，是一种基于集成机器学习高效预测钙钛矿的稳定性的方法，该方法集成了AdaBoost,CatBoost,XGBoost,GBR 四种机器学习算法，可以高效准确地预测钙钛矿的稳定性，应用于设计特定稳定性的钙钛矿新材料。

技术背景

钙钛矿因其在电催化剂和燃料电池方面的优异性能而受到人们的广泛关注。钙钛矿稳定性是当前钙钛矿太阳能电池研究和应用的核心重点和难点，它是一种关键的材料性质，其值可能决定钙钛矿在给定应用领域的用途。钙钛矿的稳定性通常与钙钛矿是否可合成以及在某些操作环境(如特定的工作温度或氧气分压) 下，它是否会随着时间的推移降解(或保持稳定)。钙钛矿结构的组分灵活性使其具有一系列复杂的功能性质，包括许多反应的活性催化、铁电性、压电性、超导性和高效的光-能转换，这种灵活性也给预测热力学稳定性带来了重大挑战。

随着人工智能技术的发展，许多研究者将机器学习方法应用到材料力学中科学。到期数据处理能力强，研究门槛相对较低，机器学习可以有效降低工业开发中的人力物力成本，缩短研发周期循环取代或配合传统的实验和计算模拟，能更快速、准确地分析材料结构和预测材料性能，从而进一步开发新型功能材料有效。选择不同的机器学习方法从现有的大数据集中预测材料性能参数，可以有效地提高材料性能的预测精度，从而选择性能合理的材料进行实验研究。使用现有数据对材料性能参数的预测不仅可以扩大材料数据的数据量，而且可以为材料实验和设计提供指导应用程序。

发明内容

本发明的目标在于克服实验“试错法”的盲目性，节约实验时间和资源，为钙钛矿稳定性的研究起指导作为，提高了一种基于集成机器学习高效预测钙钛矿稳定性的方法。本发明结合AdaBoost,CatBoost,XGBoost,GBR四种机器学习算法，设计了一种稳定高效的新型集成学习方法，建立钙钛矿稳定性预测模型，基于较高的稳定性和准确性，可以快速准确地预测钙钛矿的稳定性。

为达到上述发明创造目的，本发明采用如下技术方案：

一种基于集成机器学习高效预测钙钛矿的稳定性的方法，包括如下步骤：

1)建立数据集：

从文献和数据库中收集钙钛矿材料的稳定性和其他特征的数据，作为机器学习的数据集样本；

2)对数据进行预处理并选出建模的特征子集：

将所述步骤1)中的数据集进行预处理，对缺损数值的样本数据进行删除，并将完整的数据样本值进行皮尔逊相关系数分析，找到与稳定性相关性强的特征，作为建模的特征子集；

3)将所述步骤2)中得到的特征子集样本按5：1的比例，随机划分为训练集和测试集；

4)构建高效预测模型：

结合AdaBoost,CatBoost,XGBoost,GBR四种机器学习算法，设计了一种稳定高效的新型集成学习方法，利用此方法和步骤3)中得到的训练集进行建模，得到最优的钙钛矿稳定性预测模型；

5)预测测试集样本的带隙；

根据在所述步骤5)中建立的钙钛矿稳定性的预测模型，预测在所述步骤4) 中得到的测试集样本的稳定性。

优选地，在所述步骤2)中皮尔逊相关系数分析原理如下：