[发明专利]一种基于机器学习快速预测有机无机杂化钙钛矿带隙的在线预报方法

说明书

本发明公开了一种基于机器学习快速预测有机无机杂化钙钛矿带隙的在线预报方法，包括建立样本集、生成描述符、划分训练集和测试集、选出建模的最优特征子集、构建快速预报模型、预报测试集样本的带隙、开发完成在线预报应用程序，并实现快速预测有机无机杂化钙钛矿带隙数值。本发明通过来源于数据库中的样本数据，建立了高效快捷的预报模型，开发了快速预报有机无机杂化钙钛矿的在线预报应用程序，可通过网址和手机微信二维码进行访问使用，具有简单便捷、成本低廉、绿色环保的优点。使用本发明中的应用程序在线预报有机无机杂化钙钛矿的带隙，能帮助实验研究人员避免实验“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

本发明涉及有机无机杂化钙钛矿在光学领域的应用，是一种基于机器学习预报有机无机杂化钙钛矿带隙的在线预报方法，应用于设计特定带隙的有机无机杂化钙钛矿新材料以及高通量筛选。

背景技术

钙钛矿由于其稳定的晶体结构、独特的理化性质而逐渐成为新材料开发研究的热点。有机无机杂化钙钛矿因其价格低廉，适应性和稳定性良好，且电子结构可调，是一种有前途的磁、光和电学性能的重要材料。近年来有机无机杂化钙钛矿太阳能电池的光电转化效率迅速增长至23％以上，被广泛用作高效的太阳能敏化剂，在光伏领域中表现出了巨大的发展潜力。此外，它们还具有限制光诱导载流子重组和进一步改善可见光照射下光催化性能的潜在优势，在光催化分解水制氢及光催化降解有机污染物方面具有很好的应用前景。

带隙(BandGap)是导带的最低点和价带的最高点的能量之差，也称能隙，符号为E_g。在光电转化过程中，有机无机杂化钙钛矿作为太阳敏化剂，其带隙是光电转换效率的重要影响因素之一，因此，选择具有合适带隙的半导体是重要步骤。目前带隙的数值需要通过实验与推导计算或者利用量化进行计算得到，存在耗时长，成本高的问题。因此，亟需一种快速准确的预报有机无机杂化钙钛矿带隙数值的方法。

遗传算法是基于自然界生物自然选择和演化机制，是一种随机和自适应搜索算法，其本质是一种高效、并行、全局搜索的方法，能在搜索过程中自动获取和积累有关搜索空间的知识，并自适应地控制搜索过程以求得最佳子集特征。与其他优化算法相比，遗传算法具有从响应面上存在的局部最优性移动的能力，可以根据对响应面的未知梯度上要求进行各种优化。

支持向量机算法是基于ε不敏感函数和核函数算法。若拟合的数学模型表达为多维空间的某一曲线，则根据ε不敏感函数得到的结果就为包络该曲线和训练点的“ε管道”。在所有样本点中，只有分布在“管壁”上的那一部分点决定管道的位置。这一部分训练样本成为“支持向量”。

发明内容

本发明的目的在于克服实验“试错法”的盲目性，提供一种基于机器学习快速预测有机无机杂化钙钛矿带隙的在线预报方法。本发明通过支持向量机回归算法，建立有机无机杂化钙钛矿材料带隙预报模型，准确性高，效果好。本发明开发的有机无机杂化钙钛矿材料带隙在线预报应用程序仅需数秒就可以得到预报结果，操作简单快捷。

为达到上述发明创造目的，本发明采用如下技术方案：

一种基于机器学习快速预测有机无机杂化钙钛矿带隙的在线预报方法，包括如下步骤：

1)建立样本集：

从数据库中收集有机无机杂化钙钛矿材料的化学式和对应的带隙数值，作为机器学习的数据集样本；

2)生成描述符：

利用已收集到的数据，根据化学式计算A位有机阳离子的物化性质并结合原子参数生成描述符，对缺损数值的样本进行删除处理；

3)划分训练集和测试集：

将在所述步骤1)中得到的数据集样本随机划分为训练集和测试集；

4)选出建模的最优特征子集：