Машинное обучение как инструмент ускорения поиска новых материалов для металл-ионных аккумуляторов

Поиск новых кристаллических ионных проводников является важной задачей материаловедения, которая требует значительных ресурсов, но может быть ускорена с помощью методов машинного обучения (МО). В данной работе методы МО были применены для прогнозирования энергии миграции рабочих ионов. Обучающая выборка основана на данных о 225 каналах миграции ионов лития в 23 ионных проводниках. Дескрипторами выступали параметры свободного пространства в кристалле, полученные методом разбиения Вороного. Точность прогнозирования энергии миграции оценивалась путем сравнения с данными, полученными методами теории функционала плотности. В работе было применено два метода МО: регрессия методом опорных векторов и порядковая регрессия. Показано, что параметры свободного пространства в кристалле коррелируют с энергией миграции, при этом лучшие результаты дает порядковая регрессия. Разработанные модели МО могут применяться как дополнительный фильтр при анализе ионной проводимости в структурах.