logo
دوره 10، شماره 2 - ( پاییز و زمستان 1404 )                   جلد 10 شماره 2 صفحات 25-18 | برگشت به فهرست نسخه ها

XML English Abstract Print

Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Ghaffaripour A, Vaseghi B. Efficient machine learning method, Stacking, to improvement of material band gaps prediction. JMRPh 2026; 10 (2) :18-25
URL: http://jmrph.khu.ac.ir/article-1-285-fa.html
غفاری پور انوشیروان، واثقی بهروز. روش تلفیقی مدل‌های آماری انباشته در بهبود نتایج یادگیری ماشین در پیش بینی گاف انرژی مواد. نشریه پژوهش های نوین فیزیک. 1404; 10 (2) :18-25

URL: http://jmrph.khu.ac.ir/article-1-285-fa.html

روش تلفیقی مدل‌های آماری انباشته در بهبود نتایج یادگیری ماشین در پیش بینی گاف انرژی مواد
انوشیروان غفاری پور* ، بهروز واثقی
دانشگاه یاسوج
چکیده:   (227 مشاهده)
در این پژوهش با استفاده از رویکرد یادگیری ماشین به پیش بینی گاف انرژی  
دسته ای از مواد نیمه رسانا پرداخته شده است. هدف اصلی پژوهش بر این مبنا 
بوده که با تلفیق روش های مختلف در یادگیری ماشین، سعی بر ارائه روشی 
کارآمد در پیش بینی گاف انرژی مواد داشته باشیم. روش انباشته یک روش 
جدید در میان آلگوریتم های یادگیری ماشین می باشد که با بهره گیری از روش 
های مرسوم، تلفیق آنها با یکدیگر و استفاده از مزیت هریک از روش های آماری 
روشی کارآمد و با دقت باالتر نسبت به هریک از روش های مورد استفاده، می 
باشد. با استفاده از روش ه ایی چون از درخت تصمیم تقویت گرادیان، تقویت 
گرادیان سبک، جنگل تصادفی و تقویت گرادیان حداکثری یک مدل ترکیبی 
انباشته ارائه داده ایم که نتایج شبیه سازی بهتری نسبت به هریک از روش های 
نام برده ارائه کرده است. 
 
واژه‌های کلیدی: یادگیری ماشین، گاف انرژی، XGBoost، Stacking، ضریب رگرسیون.
متن کامل [PDF 729 kb]   (82 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: فیزیک محاسباتی
دریافت: 1404/10/29 | پذیرش: 1404/11/19 | انتشار: 1404/12/29 | انتشار الکترونیک: 1404/12/29
فهرست منابع
1. [1] Y. Zhuo, A. Mansouri Tehrani, J. Brgoch, "Predicting the Band Gaps of Inorganic Solids by Machine Learning", Journal of Physical Chemistry Letters Vol 9, 1668-1673, 2018. [DOI:10.1021/acs.jpclett.8b00124] [PMID] []
2. [2] A. Sabagh Moeini, F. Shariatmadar Tehrani, A. Naeimi-Sadigh "Machine learning-enhanced band gaps prediction for low-symmetry double and layered perovskites", Scientific Reports Vol. 14, 26736, 2024. [DOI:10.1038/s41598-024-77081-7] [PMID] []
3. [3] S.G. Jung, G. Jung, J.M. Cole, "Automatic Prediction of Band Gaps of Inorganic Materials Using a Gradient Boosted and Statistical Feature Selection Workflow", Journal of Chemical Information and Modeling Vol. 64, 1187-1200, 2024. [DOI:10.1021/acs.jcim.3c01897] [PMID] []
4. [4] E. Ogoshi et al., "Learning from machine learning: the case of band gap directness in semiconductors", Discover Materials Vol. 4, 6, 2024. [DOI:10.1007/s43939-024-00073-x]
5. [5] A.Ch. Rajan et al., "Machine-Learning Assisted Accurate Band Gap Predictions of Functionalized MXene" Chemistry of Materials Vol. 4, 112, 2018.
6. [6] T. Wang, K. Zhang, J. The, H. Yu, "Accurate prediction of band gap of materials using stacking machine learning model" Computational Materials Science Vol. 201, 110899, 2022. [DOI:10.1016/j.commatsci.2021.110899]
7. [7] S. Priyanga et al., "Prediction of nature of band gap of perovskite oxides (ABO3) using a machine learning approach", Journal of Materiomics Vol. 8, 937e948, 2022. [DOI:10.1016/j.jmat.2022.04.006]
8. [8] J. Xu et al., "Machine learning predictions of band gap and band edge for (GaN)1-x(ZnO)x solid solution using crystal structure information" Journal of Material Sciences Vol. 58, 7986-7994, 2023. [DOI:10.1007/s10853-023-08557-6]
ارسال نظر درباره این مقاله : نام کاربری یا پست الکترونیک شما:
CAPTCHA
ارسال پیام به نویسنده مسئول

بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.