بررسی همبستگی خواص خوشه های فلزات واسطه با روش های یادگیری ماشین

در سال های اخیر برای افزایش دقت و کاهش هزینه های محاسباتی استفاده از یادگیری ماشین در کنار روش های مبتنی بر نظریه تابعی چگالی، افزایش چشمگیری داشته است. با توجه به اینکه فلزات واسطه دارای خواص منحصر به فرد، جذاب و گاهی خلاف قاعده هستند، استفاده از روش های یادگیری ماشین می تواند در پیش بینی خواص آن ها و افزایش درک ما از چگونگی رفتار آنها مفید و راهگشا باشد. در این مقاله خوشه های عناصر واسطه واقع در ردیف چهارم جدول تناوبی در نظر گرفته شده اند. سپس برای آن ها، فضایی از ویژگی ها که به عنوان توصیف گر نامیده شده اند تعریف شده است. با توجه به شباهت بین این فلزات، امکان استفاده از روش رگرسیون خطی و روش غیرخطی ماشین بردارهای پشتیبان، برای پیش بینی خواص فلز واسطه ای که در مجموعه دیتای آموزشی نبوده است، بر اساس خصوصیات سایر فلزاتی که یادگیری بر اساس آنها اتفاق افتاده است، بررسی شده است. بر اساس نتایج به دست آمده، نقش توصیف گرهای انرژی باند ظرفیت و طول پیوند اتم های خوشه در پیش بینی انرژی خوشه های فلزات واسطه بسیار مهم ارزیابی می شود زیرا بستگی انرژی خوشه به طول پیوند بین اتمهای خوشه بر خلاف انرژی باند ظرفیت، انتظار نمی رفت.

Keywords:

خوشه های فلزات واسطه , نظریه تابعی چگالی , یادگیری ماشین , ضریب تشخیص.