| dc.description.abstract | Denne oppgaven undersøker bruken av datadrevet modellering for estimering av båndgap i multielement krystallinske materialer. Modellene ble utviklet gjennom bruk av lineære og ikke-lineære maskinlæringsalgoritmer på et datasett som spenner over 2458 unike krystallkomposisjoner. Algoritmene som ble undersøkt i denne oppgaven var Partial Least Squares regresjon, Random Forest og Cubist beslutningstrær og Support Vector regresjon. Modellen som best predikerte båndgapet oppnådde en Rˆ2-verdi på 0.81, et kvadratisk gjennomsnittlig avvik på 0.65 eV og et gjennomsnittlig absolutt relativt avvik på 47%. Deskriptorsettet bestod av 17 element- og krystallegenskaper, hvor samtlige egenskaper var tilgjengelige uten behov for forhåndsinformasjon om de spesifikke materialene, utover deres komposisjon. Selv om disse modellene fremdeles ikke kan konkurrere med Density Functional teori beregninger hva angår presisjon, så er disse modellene veldig mye raskere enn andre tilgjengelige metoder. Oppgaven undersøker potensielle kilder til avvik i modellene og vurderer betydningen av de ulike variablene i modellene. To egenskaper viste seg å være spesielt viktige. De var krystallens elektronegativitetsdifferanse og den gjennomsnittlige atomære vekten. Oppgaven diskuterer potensielle forklaringer på hvorfor dette er tilfelle. Sammenligning med en lignende modell, publisert i Journal of Physical Chemistry Letters viste lignende resultater og peker på behovet for videre utvikling av både deskriptorene som brukes og datasettet med eksperimentelle båndgap dersom mer robuste modeller skal utvikles. Funnene i denne oppgaven har implikasjoner for forskere som ønsker å bruke predikerende modeller til målrettet materialdesign. | |
