来源：期刊VIP网 时间：
作者：秦锦成;马名生;张发强;李永祥;刘志甫;
单位：中国科学院上海硅酸盐研究所,关键陶瓷材料全国重点实验室;皇家墨尔本理工大学工程学院;
摘要：介电常数的机器学习预测模型准确性虽然较经典Clausius-Mossotti方程更高,但模型解释性仍需提升。本工作提出了领域知识和机器学习双向嵌入的方法,在C–M方程中引入机器学习修正项以提升方程准确性。以机器学习模型所识别出的介电常数关键参量作为修正项的自变量,结合符号回归和遗传算法生成修正项的数学表达式。基于Pareto前沿选出了平衡精准度和复杂度的结果,并采用偏导数揭示了“低值补偿、高值抑制”的极化纠偏机制。对于采用Shannon极化率数据的介电常数计算,修正后的C–M方程R~2提升了42.30%,RMSE下降了14.72%。本工作初步探索了“双向嵌入”方法在兼顾模型准确性和解释性方面的潜力,并尝试为材料设计提供新的思考角度。
关键词：介电常数;Clausius-Mossotti方程;机器学习;符号回归;微波介质陶瓷
基金资助：国家自然科学基金联合基金(U24A2052); 国家资助博士后研究人员计划C档(GZC20232825); 上海市东方英才计划(QNKJ2024026)
