Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Dự đoán sự hình thành các hợp chất vô cơ có thành phần ABC2 (C = S, Se hoặc Te) bằng cách sử dụng các phương pháp nhận dạng mẫu dựa trên tiền lệ
Tóm tắt
Dự đoán khả năng hình thành các hợp chất mới là một vấn đề quan trọng trong khoa học vật liệu. Trong nghiên cứu này, các phương pháp huấn luyện máy tính khác nhau (máy vector hỗ trợ; thuật toán tính toán ước lượng; các thuật toán bỏ phiếu dựa trên các bài kiểm tra bế tắc, quy luật lôgic và hội chứng trọng số thống kê; các thuật toán máy tuyến tính; thuật toán phân biệt tuyến tính Fisher; các thuật toán k láng giềng gần nhất; các thuật toán học mạng nơ-rôn, v.v.) đã được sử dụng để phát hiện các quy luật của sự hình thành các hợp chất vô cơ có thành phần ABC2 (A và B là các nguyên tố hóa học khác nhau; C = S, Se hoặc Te). Các tiêu chí thực nghiệm được tìm thấy bằng cách sử dụng các phương pháp nhận diện mẫu dựa trên tiền lệ bao gồm các biến là các tham số của các nguyên tố hóa học hình thành hợp chất vô cơ (bán kính nguyên tử, độ âm điện, và các tính chất vật lý và hóa học khác). Bằng cách sử dụng xác thực chéo, việc so sánh các phương pháp khác nhau đã được thực hiện. Kết quả tốt nhất thu được cho máy vector hỗ trợ (92.04%), trong đó để xác định các tham số tự do, thuật toán đàn chim đã được sử dụng. Một thuật toán di truyền và một thuật toán tối thiểu hóa các hàm lỗi tổng quát của các quy trình hiệu chỉnh lồi qua các tập hợp các bộ dự đoán được xây dựng bằng các thuộc tính khác nhau đã được sử dụng để tìm các thuộc tính quan trọng nhất của các nguyên tố. Dự đoán các hợp chất có thành phần ABC2 chưa được tổng hợp đã được thực hiện.
Từ khóa
#hợp chất vô cơ #dự đoán #máy vector hỗ trợ #thuật toán di truyền #nhận dạng mẫu dựa trên tiền lệ #tính chất hóa học #phần mềm huấn luyện máy tínhTài liệu tham khảo
N. N. Kiselyova, “Prediction of inorganic compounds: experiences and perspectives,” MRS Bull. 18(2), 40–43 (1993).
N. N. Kiselyova, V. A. Dudarev, and V. S. Zemskov, “Computer information resources on inorganic chemistry and material science,” Russ. Chem. Rev. 79(2), 145–166 (2010).
N. N. Kiselyova, V. V. Podbel’skii, V. V. Ryazanov, et al., “Computer-aided design of new inorganic compounds with composition ABX2 (X = S, Se, Te),” Inorg. Mater.: Appl. Res. 1(1), 9–16 (2010).
C. H. Li and P. Wu, “Empirical relation of melting temperatures of CsCl-type intermetallic compounds to their cohesive energies,” Chem. Mat. 14(11), 4833–4836 (2002).
N. Y. Chen, C. H. Li, S. W. Yao, et al., “Regularities of melting behavior of some binary alloy phases. 2. Computerized prediction of melting points of alloy phases,” J. Alloys Compd. 234(1), 130–136 (1996).
G. S. Burkhanov and N. N. Kiseleva, “Prediction of intermetallic compounds,” Russ. Chem. Rev. 78(6), 569–587 (2009).
T. H. Gu, W. C. Lu, X. H. Bao, et al., “Using support vector regression for the prediction of the band gap and melting point of binary and ternary compound semiconductors,” Solid State Sci. 8(2), 129–136 (2006).
X. Liu, W. C. Lu, C. R. Peng, et al., “Two semi-empirical approaches for the prediction of oxide ionic conductivities in ABO3 perovskites,” Comp Mater Sci. 46(4), 860–868 (2009).
P. Liu, P. Xu, and J. Zheng, “Artificial immune system for optimal design of composite hydrogen storage vessel,” Comp Mater Sci. 47(1), 261–267 (2009).
C. Cortes and V. Vapnik, “Support-vector networks,” Mach. Learn. 20(3), 273–297 (1995).
J. X. Zhu, W. C. Lu, L. Liu, et al., “Classification of src kinase inhibitors based on support vector machine,” Qsar Comb Sci. 28(6–7), 719–727 (2009).
N. Kiselyova, A. V. Stolyarenko, V. V. Ryazanov, et al., “A system for computer-assisted design of inorganic compounds based on computer training,” Pattern Recogn. Image Anal. 21(1), 88–94 (2011).
V. P. Gladun, The Way to Form New Knowledge (SD “Pedagog-6”, Sofia, 1995) [in Russian].
Yu. I. Zhuravlev, V. V. Ryazanov, and O. V. Sen’ko, Recognition. Mathematical Methods. Program System. Practical Applications (Fazis, Moscow, 2006) [in Russian].
O. V. Senko, “An optimal ensemble of predictors in convex correcting procedures,” Pattern Recogn. Image Anal. 19(3), 465–468 (2009).
Evolutionary Computation: The Fossil Record, Ed. by D. B. Fogel (Wiley-IEEE Press, New York, 1998).
W. Pedrycz, B. J. Park, and N. J. Pizzi, “Identifying core sets of discriminatory features using particle swarm optimization,” Expert Syst. Appl. 36(3), Part 1, 4610–4616 (2009).
N. Y. Chen, W. C. Lu, R. L. Chen, et al., “Regularities of formation of ternary intermetallic compounds — Part 1. Ternary intermetallic compounds between nontransition elements,” J. Alloys Compd. 289(1–2), 120–125 (1999).
P. Villars, K. Brandenburg, M. Berndt, et al., “Binary, ternary and quaternary compound former/nonformer prediction via Mendeleev number,” J. Alloys Compd. 317 (1–2), 26–38 (2001).
E. Mooser and W. B. Pearson, “Chemical bond in semiconductors,” Phys. Rev. 101(5), 1608–1609 (1956).
N. N. Kiseleva, D. P. Murat, A. V. Stolyarenko, et al., ““Fazy” Internet data base on ternary inorganic compounds properties,” Inf. Resursy Ross., No. 4, 21–23 (2006).
S. S. Yang, W. C. Lu, T. H. Gu, et al., “QSPR study of n-octanol/water partition coefficient of some aromatic compounds using support vector regression,” Qsar-Comb Sci. 28(2), 175–182 (2009).
N. N. Kiseleva, A. V. Stolyarenko, O. V. Sen’ko, and A. A. Dokukin, “Prediction of the crystal structure types of equiatomic ternary silicides and germanides,” Russian Metallurgy (Metally), No. 5, 381–388 (2013).