【机器学习】MGE Adv.：融合高通量计算与机器学习的KNN多功能陶瓷研究

本文针对钾钠铌酸盐(KNN)基陶瓷多功能材料，提出了一种融合高通量第一性原理计算与机器学习的研究策略。研究背景在于KNN基陶瓷在智能窗口、光学防伪等领域具有重要应用前景，但传统经验试错法难以高效优化复杂掺杂组分。研究目的旨在克服传统全局组分描述符忽视局域结构的局限，通过构建包含300组KNN基陶瓷的结构与性能数据库，系统分析掺杂原子局域配位环境对材料稳定性和电子结构的影响。研究结论表明，基于局域结构特征的机器学习模型能更准确揭示局域结构与材料性能的内在联系，有效预测体系总能、带隙及变化趋势；同时，通过特征重要性分析识别出局域原子体积、核磁频率及第三电离能等关键物理因素，为人工智能驱动的KNN基多功能陶瓷设计提供了新的理论依据和数据库支撑。