材料是科技发展的基石,然而新材料的开发应用都需要经历一个漫长的过程。一方面传统的基于实验的材料研发模式存在成本高、周期长、性能不能满足应用需求等困难。另一方面,还存在巨大的未探索的材料设计空间可以实现更优越的材料性能。自材料基因组计划提出以来,受到了材料研究学者的广泛关注,其目的是通过高通量计算方法以及材料大数据等关键技术实现新材料的研发成本降低一半和时间缩短一半。因此,为加速新材料的探索,出现了三个主要的研究方向:一是高通量材料实验;二是基于第一性原理与分子动力学的高通量材料计算;三是以机器学习和深度学习进行材料性能预测、逆向材料设计的材料基因组学。近年来,材料研究学家利用机器学习的方法在材料的历史数据中寻找规律并给出指导性建议,改善传统的“试错法”,成为材料领域的热点研究方向。目前,钙钛矿作为材料领域研究最多的材料之一,具有许多优异的性能,因而有着广泛的应用前景。在太阳能电池板、超导体、热电和催化材料等新型钙钛矿功能材料的发现方面具有很大的潜力。本文针对基于机器学习发现新材料的关键障碍之一,即缺乏足够的训练数据,提出了一种基于钙钛矿结构信息的转移学习方法,利用数量较少的钙钛矿结构信息和元素描述符训练出高精度的机器学习模型;然后利用扩展后的数据集,采用Magpie元素统计特征训练出预测能力强的卷积神经网络模型,用于筛选ABX₃材料;最后采用容差因子τ验证筛选的ABX₃材料是否为稳定的钙钛矿功能材料。具体的研究工作如下:首先,在材料属性预测研究中,通常采用数据库获取的所有数据样本来训练预测模型,然而材料数据库样本的高冗余性导致了训练的模型具有很强的偏向性和过拟合的现象。针对这种情况,本文提出了一种相关性与冗余分析的特征选择方法,从数据集中选择具有代表性样本数据。其次本文通过Pymatgen计算出少数有结构信息的钙钛矿的结构特征和元素特征,一共31个特征描述符。利用这31个特征训练得到一个高精度的迁移学习模型,这个模型使用的是机器学习算法中的梯度提升回归算法。然后用这个高精度的迁移学习模型对没有结构信息的钙钛矿材料进行预测。实验结果表明,本文计算的这31个混合特征描述符预测钙钛矿的形成能优于其他研究人员提出的Ong＿Descriptors和Magpie描述符。而且在常用的机器学习模型中,本文采用的梯度提升回归比随机森林回归、Lasso、支持向量机回归等模型的预测效果要好。迁移学习模型结合本文提出的混合特征描述符,能够解决基于机器学习发现新材料的小数据集问题。其次,为了筛选出稳定的ABX₃材料,本文提出了一种基于卷积神经网络的筛选模型。通过高精度的迁移学习模型给没有结构的ABX₃材料标注标签;然后计算它们的Magpie元素统计特征描述符,Magpie的计算不需要结构信息;最后,卷积神经网络模型与用Magpie描述符表示的数据集一起训练,可以得到一个通用的ABX₃材料筛选模型。这个模型通过与Elem Net模型、常用的机器学习模型相比较,本文提出的卷积神经网络模型的预测效果是最好的。通过卷积神经网络模型,我们从21316 ABX₃材料个中筛选出形成能小于0的ABX₃材料。最后,本文通过新容差因子τ验证筛选的ABX₃材料是否为稳定的钙钛矿材料,τ能够准确地判断筛选出的ABX₃材料是钙钛矿或非钙钛矿。用τ验证钙钛矿材料只需要化学成分,这使得许多结构不可知的钙钛矿材料有了被验证的希望。除了预测某种材料是否为稳定的钙钛矿材料以外,τ还提供了某种材料在钙钛矿结构中稳定概率的单调估计。经过大量计算实验,本文已经从21316个假设的ABX₃材料中筛选出有前途的新型钙钛矿材料,这些稳定的钙钛矿材料其中一部分已经在其他文献中有所报道,其余的有待进一步的实验或DFT计算验证。