[发明专利]一种基于机器学习和团簇模型的钙钛矿带隙预测方法

权利要求书

1.一种基于机器学习和团簇模型的钙钛矿带隙预测方法，其特征在于，包括以下步骤：

S1，确定钙钛矿团簇模型并对团簇模型的结构进行优化；

S2，根据团簇模型结构的优化结果，选定一系列团簇模型的本征结构参数构建设定数量的模型的数据库作为机器学习的训练数据库；

S3，使用自相关性热度图和xgboost自带的特征重要性排序对构建的数据库进行筛分得到最终的机器学习训练数据库。

S4，利用得到的机器学习训练数据库对机器学习模型进行训练并对带隙进行预测。

2.根据权利要求1所述的基于机器学习和团簇模型的钙钛矿带隙预测方法，其特征在于，所述步骤S1中确定团簇模型并对团簇模型的结构进行优化，具体包括：

S101，通过Materials project数据库导入体相钙钛矿模型，从体相材料中截取满足化学配比的关键基团，构建团簇模型；

S102，利用高斯09软件对初始构型进行结构优化，采取的泛函为B3LYP，基组为def2svp，并加入D-3色散校正；

S103，验证钙钛矿团簇模型有机阳离子位的价态，使得A位基团的所有原子的净电荷之和接近于+1。

3.根据权利要求1所述的基于机器学习和团簇模型的钙钛矿带隙预测方法，其特征在于，所述步骤S2中的所述本征结构参数包括：分子体积、结合能、电离能、最小键长、带隙值、偶极矩、离子电荷、分子表面静电势和离子化能。

4.根据权利要求1所述的基于机器学习和团簇模型的钙钛矿带隙预测方法，其特征在于，所述步骤S2中的所述设定数量的模型具体数量为700个。

5.根据权利要求1所述的基于机器学习和团簇模型的钙钛矿带隙预测方法，其特征在于，所述步骤S3中使用自相关性热度图和xgboost自带的特征重要性排序对构建的数据库进行筛分得到最终的机器学习训练数据库，具体包括：

S301，计算各个特征之间的皮尔逊相关性系数；

S302，使用xgboost算法自带的特征重要性排序对特征进行排序；

S303，找出特征之间皮尔逊相关性系数的绝对值在0.8以上的一对特征，根据特征重要性排序排除掉位于排序底部的特征。

6.根据权利要求5所述的基于机器学习和团簇模型的钙钛矿带隙预测方法，其特征在于，所述步骤S3中的所述最终的机器学习训练数据库的模型数量为9个。

7.根据权利要求1所述的基于机器学习和团簇模型的钙钛矿带隙预测方法，其特征在于，所述步骤S4中利用得到的机器学习训练数据库对机器学习模型进行训练并对带隙进行预测，具体包括：

S401，利用得到的机器学习训练数据库按照训练集70％、测试集30％进行拆分，通过使用xgboost机器学习模型建立初始模型，并使用遗传算法进行调参，使模型的r²值达到0.959，MSE值达到0.098；

S402，根据建好的机器学习模型进行由团簇模型的带隙值到体相模型的带隙值的预测，对于带隙预测，利用训练集之外的团簇模型，在得出的一系列特征量的计算结果之后，由机器学习模型得到的规律得到体相模型的带隙值，从而实现钙钛矿带隙的预测。