论文简介
机器学习是揭示纳米材料中隐藏的结构/属性关系的有力方法，并且基于可解释模型报告的特征排名来分配结构原因是很有诱惑力的。在这项缺陷氧化石墨烯纳米片的研究中，本文分类、回归和因果推理来表明，并不是所有重要的结构特征都直接影响断裂键的浓度。发现，虽然氧气的存在对实际的键断裂很重要，但氢气的存在和分布决定了键断裂发生的频率。
图文导读
图1 (a)样品间缺陷浓度的直方图分布，(b)通过分层将数据集分成训练集和测试集以保留类别分布，(c)一类氧化石墨烯纳米片示例（没有破坏的c – c键）和(d)一类氧化石墨烯纳米片示例（8个破坏的c – c键）。
图2 由缺陷集中着色的特征空间的自组织映射。
图3 (a)由两个类别标签编码的SOM， (b)逻辑回归的混淆矩阵，(c)逻辑回归的特征重要性，以及(d)破碎和未破碎站点之间差异的说明。
图4 用脊回归对训练集和测试集的拟合模型进行预测。
图5 贝叶斯网络因果关系模型的有向图。
作者信息
参考引用：
Motevalli B , Sun B , Barnard A S .Understanding and Predicting the Cause of Defects in Graphene Oxide Nanostructures Using Machine Learning[J].The Journal of Physical Chemistry C, 2020, XXXX(XXX).DOI:10.1021/acs.jpcc.9b10615.
原文链接：https://pubs.acs.org/doi/10.1021/acs.jpcc.9b10615
本文来自Ai赋能材料，本文观点不代表石墨烯网立场，转载请联系原作者。
