基于机器学习的卤化物双钙钛矿材料性能预测

以卤化物双钙钛矿材料为研究对象,利用机器学习方法高速、高精确预测卤化物双钙钛矿材料的带隙和相对稳定性。使用贝叶斯岭回归、梯度提升回归、支持向量回归和XGBoost这4种算法建立模型,分析得出：梯度提升回归可为相对稳定性提供最高性能预测(R²=0.9161,MAE=0.2061),XGBoost可为带隙提供最高性能预测(R²=0.9899,MAE=0.0542);采用SHAP方法解释模型后,对元素替换后的新样本进行筛选,最终获得18种光吸收范围理想且稳定性良好的卤化物双钙钛矿。结果表明,相比传统方法,基于数据驱动的机器学习方法可有效加速功能材料的发现,提高设计效率。