无监督学习探索高介电常数的ABO3型钙钛矿材料

机器学习已成为新材料研发的重要变革性手段,但材料数据样本量少、噪音高等特点为数据驱动的研发模式带来巨大挑战。本工作将无监督学习应用于挖掘高介电常数的钙钛矿材料。针对标签数据少的问题,通过聚类学习的方法不断优化迭代来缩小搜索空间,最终筛选出了BaHfO₃和BiFeO₃等20种具有高介电常数潜力的钙钛矿材料,并通过降维分析等手段从元素种类、晶体结构和容忍因子等方面展开规律分析,挖掘钙钛矿材料结构与介电常数之间的关联。该方法为解决材料性能数据标签的缺失提供了一种思路,可应用于筛选和挖掘其他新型功能材料。