Optimizing the Synthesis Parameters of Double Perovskites with Machine Learning Using a Multioutput Regression Model
Notice bibliographique
Résumé
Double perovskites are attractive candidates for addressing the main challenges associated with efficient single perovskites, such as low stability and the presence of heavy metals in their composition. However, the double perovskite structure is complex and presents unique synthesis challenges. Furthermore, fine-tuning the synthesis parameters to obtain precise control of the nanoparticle size is necessary. To tackle these issues, we combined machine learning with a multioutput model, allowing us to simultaneously generate multiple outcomes within a single regression while considering interactions among all targets in a complex reaction. As a result, we built a specific data set with relevant parameters for the synthesis of double perovskite, using the hot injection method considering lead-free double and single perovskites. We then developed three different multioutput machine learning models based on decision trees, random forests, and neural networks. These models were trained to predict optimal synthesis conditions for double perovskites, including reagent amounts, time of reaction, and bandgap. The selection of the best model was based on MAE, RMSE, and R 2 metrics. We utilize this model to predict the synthesis condition of a double perovskite, which we subsequently synthesized, specifically Cs 2 AgInCl 6, hence validating our model with experimental results. Our approach enables us to achieve accurate predictions and gain a deeper understanding of the intricate relationships between synthesis parameters and material properties.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».