基于(K0.5Na0.5)NbO3的无铅压电陶瓷中d33参数的具有预测不确定性量化的可解释机器学习方法
袁晓辉,梁亚龙,卢邦,赵高超,李佩
《Materials》:Interpretable Machine Learning with Prediction Uncertainty Quantification for d33 in (K0.5Na0.5) NbO3-Based Lead-Free Piezoelectric Ceramics
Xiaohui Yuan,
Yalong Liang,
Bang Lu,
Gaochao Zhao and
Pei Li
【字体:
大
中
小
】
时间:2026年03月04日
来源:Materials 3.7
摘要
由于成分空间的庞大以及传统机器学习模型的可解释性有限,高性能无铅压电陶瓷的快速发现受到了阻碍。在此,我们提出了一种基于物理原理且具有可解释性的机器学习框架,并结合不确定性量化功能,用于预测和理解以(K0.5Na0.5) NbO3 (KNN)为基材的陶瓷材料的压电系数d33。通过整理1113个实验样本的数据集,通过分离A位点和B位点离子的贡献,得到了65个特征描述符。进一步通过皮尔逊相关分析,将这些特征简化为11维的优化特征集,用于训练深度神经网络、宽深神经网络以及残差网络。此外,贝叶斯神经网络还能提供预测不确定性,这种不确定性反映的是基于机器学习的d33预测结果的置信度,而非实验测量的不确定性。为确保物理可解释性,我们将SHapley加性解释方法与确定性独立筛选与稀疏化算子相结合,得出了一个简洁的分析描述符,表明烧结温度、B位点电子各向异性以及A位点离子位移共同决定了d33的值。该框架不仅具有较高的准确度(R2 ≈ 0.81),还为下一代无铅压电材料提供了清晰的设计指导。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号