基于机器学习的超导临界温度预测

作者：刘城城; 王炫东; 蔡味东; **慧; 苏航^*

来源：材料导报, 2023, S2: 493-499.

• 超导临界温度
• 机器学习
• 特征选择

过低的超导临界温度(Tc)一直是限制超导材料广泛应用的主要原因，因此如何设计出具有较高Tc的合金是超导材料发展的关键步骤。本工作以机器学习算法为工具，基于两种特征生成器和九种回归算法，建立了预测Tc的数据驱动模型，提高了新型超导合金的研发效率。结果表明，极端随机树算法(etr)和Magpie规则的预测效果最好，决定系数(R2)和平均绝对误差(MAE)在测试集上分别能达到0.88和2.21 K。为降低模型的复杂程度，对生成的特征通过过滤法和穷举法进行特征筛选，再结合特征的重要性排序，得到对Tc影响最大的三种特征分别是电负性的平均绝对偏差、平均未填充电子数和平均s层未填充电子数。以三种特征为变量，建立Tc的预测图谱，发现在平均s层未填充电子数为0.2～0.6,电负性的平均绝对偏差为0.5～1.2,平均未填充电子数为0～5时，材料有着大于50 K的Tc,为新型超导合金的成分设计提供方向。

• 单位
  钢铁研究总院; 中国钢研科技集团有限公司