买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：重庆邮电大学

摘要：本发明涉及一种双卤化物钙钛矿光电器件材料的筛选方法，属于气体应用领域。本发明筛选得到双卤化物钙钛矿的形成能和带隙数据，提取双卤化物钙钛矿数据的相关原子参数生成原始数据集。筛选出可应用于光电探测器和光催化领域的材料。通过机器学习得到新型双卤化物钙钛矿材料的形成能回归模型、带隙分类模型和带隙回归模型。将生成的虚拟双卤化物钙钛矿样本输入到预测模型中得到预测的形成能、带隙分类标签和带隙，筛选出符合范围的虚拟样本候选集，同时挑选一些候选集材料进行DFT计算验证预测模型的准确性。本发明可以帮助研究人员避开大量繁琐的实验，节约实验的时间和资源，提高实验的效率，更加高效的发现新型双卤化物钙钛矿光电器件材料。

主权项：1.双卤化物钙钛矿光电器件材料的筛选方法，其特征在于：该方法包括以下步骤：S1：在MaterialsProject数据库中筛选得到双卤化物钙钛矿的形成能和带隙数据，再通过Pymatgen库提取相关原子参数作为机器学习的原始数据集样本；S2：对原始数据集进行预处理：将S1中的数据集进行预处理，对存在异常数值的样本数据进行重新提取或删除；S3：将S2中预处理后得到的数据集样本，按4:1的比例，随机划分为形成能回归训练集和形成能回归测试集；S4：构建形成能回归预测模型：利用梯度提升回归GBR和S3中得到的形成能回归训练集进行建模，得到形成能回归预测模型；S5：预测形成能回归测试集样本的形成能：根据在S4中建立的形成能回归预测模型，预测S3中得到的回归测试集的形成能；S6：利用回归评价指标对预测的回归测试集的形成能与实际样本值之间的差异进行量化评价，得到形成能回归评价结果；S7：预测虚拟样本的形成能：将虚拟样本输入到S4中建立的形成能回归预测模型中，得到预测的形成能；S8：将S2中预处理后得到的数据集样本进行分类标签，禁带宽度在1ev到4ev范围的数据标签为1，其余数据标签为0，生成带隙分类数据集；S9：将S8中预处理后得到的带隙分类数据集样本按4:1的比例，随机划分为带隙分类训练集和带隙分类测试集；S10：构建带隙分类预测模型：利用梯度提升分类GBC和S9中得到的带隙分类训练集进行建模，得到带隙分类预测模型，具体模型包含保留最优特征和参数优化过程；S11：预测带隙分类测试集样本的带隙：根据在S10中建立的带隙分类预测模型，预测S9中得到的带隙分类测试集带隙值；S12：利用分类评价指标对预测的分类测试集的带隙值与实际值之间的差异进行量化评价，得到带隙分类评价结果；S13：预测虚拟样本的带隙标签：将虚拟双卤化物钙钛矿样本输入到S10中建立的带隙分类预测模型中，得到预测的带隙标签；S14：将S2中预处理后得到的数据集样本按4:1的比例，随机划分为带隙回归训练集和带隙回归测试集；S15：构建带隙回归预测模型：利用梯度提升回归GBR和S14中得到的带隙回归训练集进行建模，得到带隙回归预测模型；S16：预测带隙回归测试集样本的带隙值：根据在S15中建立的带隙回归预测模型，预测S14中得到的回归测试集的带隙值；S17：利用回归评价指标对预测的回归测试集的带隙值与实际样本值之间的差异进行量化评价，得到带隙回归评价结果；S18：预测虚拟样本的带隙值：将虚拟样本输入到S15中建立的带隙回归预测模型中，得到预测的带隙值；S19：DFT计算验证预测虚拟样本的准确性：根据S7、S13和S18得到的形成能、带隙分类标签和带隙值的预测，筛选出符合范围的虚拟样本候选集，挑选带隙在2ev的虚拟样本进行DFT计算验证预测模型的准确性；S20：筛选出新型双卤化物钙钛矿材料光电器件材料：根据S19的虚拟样本候选集筛选出新型双卤化物钙钛矿材料光电器件材料。

全文数据：

权利要求：

百度查询： 重庆邮电大学 双卤化物钙钛矿光电器件材料的筛选方法