[发明专利]一种基于机器学习的理想带隙钙钛矿材料筛选方法

权利要求书

1.一种基于机器学习的理想带隙钙钛矿材料筛选方法，其特征在于，包括以下步骤：

步骤1，采集钙钛矿材料数据和每种钙钛矿材料对应的带隙实验值，所有钙钛矿材料的元素组成为ABX，A、B和X三种位置的元素剂量比和为1：1：3，其中，A代表Cs、FA和MA中的任一种、任两种或三种组合，FA为HC(NH₂)₂，MA为CH₃NH₃，B代表Pb和Sn中的任一种或两种组合，X代表Br、Cl和I中的任一种、任两种或三种的组合；

步骤2，以元素剂量比为权重，对A、B、X元素对应的本征特征进行加权数学运算得到加权平均特征，再将加权平均特征进行加、减、除运算，得到运算特征，将加权平均特征和运算特征作为初始特征；

步骤3，通过计算初始特征间皮尔逊相关系数剔除相关性0.95的冗余初始特征，构建特征池；

步骤4，基于步骤3计算得到的特征池，运用GBRT算法进行特征重要性排序；

步骤5，以GBRT算法测试集预测精度为目标函数，进行子特征迭代筛选，筛选出GBRT模型精度最高时对应的子特征集；

步骤6，以步骤5筛选出的子特征集为输入自变量，钙钛矿实验带隙值为输出因变量，构建钙钛矿材料的带隙预测模型；

步骤7，根据元素组成，按各元素剂量比0-1，步长0.01的组分梯度，构建待筛选钙钛矿材料组分数据集，利用带隙预测模型预测并筛选出理想带隙对应的钙钛矿材料。

2.根据权利要求1所述的基于机器学习的理想带隙钙钛矿材料筛选方法，其特征在于：步骤6中，所述的带隙预测模型，基于GBRT算法构建。

3.根据权利要求1所述的基于机器学习的理想带隙钙钛矿材料筛选方法，其特征在于：步骤6中，所述的带隙预测模型，基于遗传算法的符号回归算法构建带隙经验预测公式。

4.根据权利要求1所述的基于机器学习的理想带隙钙钛矿材料筛选方法，其特征在于：

步骤2中，所述元素本征特征包括：Goldscmidt容忍因子，八面体因子，平均泡利电负性，平均香浓离子半径，平均电子亲和势，s、p、d、f轨道平均电子数，平均原子极化率，平均原子半径。

5.根据权利要求1所述的基于机器学习的理想带隙钙钛矿材料筛选方法，其特征在于：

步骤4中，GBRT算法通过计算特征增减时产生的信息增益来间接计算每种特征的重要性指数，所有特征的重要性指数和为1。

6.根据权利要求1所述的基于机器学习的理想带隙钙钛矿材料筛选方法，其特征在于：

步骤5中，子特征迭代筛选的方法是：根据步骤4中的特征重要性排序，每次迭代后删除最后一个特征，保留剩余特征进行GBRT模型训练，筛选出GBRT模型精度最高时对应的子特征集。

7.根据权利要求1所述的基于机器学习的理想带隙钙钛矿材料筛选方法，其特征在于：

步骤5中，子特征迭代筛选的方法是：采用十折交叉验证法，将GBRT模型预测的带隙值与采集的带隙实验值的均方根误差和决定系数作为评判标准，进行子特征迭代筛选。

8.根据权利要求3所述的基于机器学习的理想带隙钙钛矿材料筛选方法，其特征在于：

所述的带隙经验预测公式为：其中χ_B-X为B位元素和X位元素的加权平均泡利电负性之差。

9.根据权利要求1所述的基于机器学习的理想带隙钙钛矿材料筛选方法，其特征在于：

在步骤2中，还包括对初始特征根据如下公式进行归一化处理，

其中，x_{normalization}为归一化后的初始特征，x为归一化之前的初始特征，μ为x的标准差，σ为x的均值。

10.根据权利要求1-9任一项所述的基于机器学习的理想带隙钙钛矿材料筛选方法，其特征在于：

步骤7中，筛选出的理想带隙对应的钙钛矿材料化学式分别为：

MA_0.61FA_0.07Cs_0.32Pb_0.68Sn_0.32(Br_0.1I_0.9)₃、MA_0.68FA_0.03Cs_0.29Pb_0.66Sn_0.34(Br_0.24I_0.76)₃和MA_0.02FA_0.08Cs_0.9Pb_0.5Sn_0.5(Br_0.3I_0.7)₃。