arXiv · Materials Science· Shoeb Athar, Adrien Mecibah, Philippe Jund·· 3 小时前
机器学习框架提升半赫斯勒热电材料 zT 预测泛化性
A Generalizable Machine Learning Framework for Half-Heusler Thermoelectrics
arXiv:2602.01149v2阅读论文 PDF ↗
仅依据论文摘要整理；未读取全文，实验条件、证明与基准细节请核对原文。
作者：Shoeb Athar, Adrien Mecibah, Philippe Jund
研究任务与主要进展
作者提出面向半赫斯勒热电材料 zT 预测的可泛化机器学习框架，重点评估对未探索成分的预测。框架结合PCA数据划分、贝叶斯超参数优化、基于相关性的特征筛选、Random Forest、XGBoost、Neural Network和SISSO；在118个输入特征中，优化特征子集使测试RMSE降低16%–27%，研究还进行了新化合物CeCoBi和CeIrBi的第一性原理计算。
阶段、条件与复现 · 深读核对
- 新能力对应什么具体任务与最小输入输出？
- 代码、模型、数据、许可与可用入口是否明确？
- 效果、总成本、失效条件与实际工作流如何验证？
这些是阅读核对问题；材料未说明的条件保留未知。请结合上方论文版本、资料范围与原文核验。
来源：arXiv · Materials Science · arxiv.org