数据挖掘在金属氧化物界面设计与优化中的应用

孙文明¹，刘静¹，汪洪^1.2

1. 绿色建筑材料国家重点实验室，中国建筑材料科学研究总院，100024，北京

2. 材料科学与工程学院，上海交通大学，200240，上海

摘要

在材料基因工程研究背景下，材料设计和优化工作对于加快新材料研发速度至关重要，如何建立良好的定量结构-性能关系研究（Quantitative Structure-Property Relationship，简称QSPR）模型已成为该研究领域中热点问题之一。我们前期研究表明ZnO-ZrO₂界面强度较弱，而在ZnO中引入掺杂原子、扩张其晶格常数降低界面错配可作为提升界面强度的途径。本文基于密度泛函理论计算收集了三十余Zn_0.9275M_0.0625O样本的原子参数、物化性质参数及晶格常数，研究其内在联系。密度泛函理论计算和一些经典的数据挖掘方法如偏最小二乘法（Partial Least Squares, 简称PLS），人工神经网络（Artificial Neural Network，简称ANN）及支持向量回归（Support Vector Regression, 简称SVR）等都被用于晶格常数计算与建模。研究表明: Zr、Hf及Y掺杂可显著扩张晶格常数降低界面错配度，且掺杂后界面结构偏析显著；同时，在数据挖掘所建立的模型中，SVR算法建立的模型对晶格常数预测与泛化能力要优于PLS和ANN模型，SVR有助于所需新材料的设计或筛选。 

图1. DFT计算的晶格常数与SVR模型预测值对比。

         DOI: 10.12110/firstfmge.20171121.415