
-
生物通官微
陪你抓住生命科技
跳动的脉搏
机器学习驱动的局部配位工程:Eu/Y共掺杂氟化物光谱特性的结构-性能关联研究
《npj Computational Materials》:Machine learning-enabled prediction and interpretation of spectroscopic properties in Nd and Y co-doped fluorite platform via local coordination engineering
【字体: 大 中 小 】 时间:2026年09月30日 来源:npj Computational Materials 13.1
编辑推荐:
摘要先进激光材料的设计需要对局部结构与光谱性能之间的关系进行精确控制。然而,传统方法难以在掺杂稀土体系中定量关联复杂的配位环境与光谱特性,尤其是对于存在关联效应的4f电子态。本文提出了一种基于机器学习的组分优化策略,通过局部配位工程来调控铕和钇共掺杂氟化物——一个具有丰富结构
先进激光材料的设计需要对局部结构与光谱性能之间的关系进行精确控制。然而,传统方法难以在掺杂稀土体系中定量关联复杂的配位环境与光谱特性,尤其是对于存在关联效应的4f电子态。本文提出了一种基于机器学习的组分优化策略,通过局部配位工程来调控铕和钇共掺杂氟化物——一个具有丰富结构和光谱特性的平台——的光谱特性。通过将实验光谱与结构数据相结合,我们训练了可解释模型,包括线性回归(LR)、支持向量回归(SVR)、反向传播神经网络(BPNN)和极端梯度提升(XGBoost),以从三种主导多面体基元的相对比例预测关键光谱参数。所建立的模型通过Shapley值分析揭示了各结构单元在调控吸收、发射和寿命行为中扮演的不同角色。这一数据驱动的框架不仅克服了传统密度泛函理论(DFT)在处理局域化4f态方面的局限性,还为宽带、高重复频率激光材料的智能组分优化提供了一条可扩展的路径。本研究展示了将局部结构描述符与可解释机器学习相结合的有效性,阐明了稀土掺杂氟化物体系中的结构-性能关系,为先进激光材料的设计提供了指导。