机器学习预测La0.67Ca0.33?xSrxMn0.98Ni0.02O3化合物电阻率双金属-绝缘体相变的温度与锶掺杂效应

本研究针对钙钛矿材料La0.67Ca0.33?xSrxMn0.98Ni0.02O3电阻率随温度与Sr掺杂水平演变的复杂关系，创新性地采用决策树(DT)、人工神经网络(ANN)和五阶高斯函数数学模型(MT)进行预测。结果表明MT模型在150-400K温度范围和x=0.1-0.3掺杂水平下表现最优（MAE=5.4×10?4，R2=0.99302），为钙钛矿电子器件性能优化提供了精准计算工具。

　　

在当代电子材料研究领域，钙钛矿型稀土锰氧化物因其独特的磁电耦合特性备受关注。这类材料的电阻率会在特定温度下发生戏剧性变化——从金属态突然转变为绝缘态，这种现象被称为金属-绝缘体相变(MIT)。La_0.7Ca_0.3MnO₃等材料通过调控Mn³⁺/Mn⁴⁺比例，可实现基于双交换机制(Double Zener Exchange)的电阻率调控，在磁传感器、自旋电子学器件中具有重要应用前景。然而，传统实验方法难以精确捕捉电阻率随温度和掺杂水平的非线性演变规律，特别是当材料中同时存在Sr、Ca等碱土金属复合掺杂时，其电子输运行为的预测更成为材料设计的重大挑战。

为突破这一瓶颈，研究人员聚焦La_0.67Ca_0.33?xSr_xMn_0.98Ni_0.02O₃体系，通过溶胶-凝胶法制备系列样品后，创新性地引入三种机器学习算法：决策树(DT)通过特征分支进行数据分割，人工神经网络(ANN)模拟生物神经元网络进行模式识别，以及基于五阶高斯函数的数学模型(MT)。研究团队在150-400K温区及x=0.1-0.3掺杂范围内建立预测模型，并采用平均绝对误差(MAE)、均方误差(MSE)和决定系数(R2)等指标进行系统评估。

实验研究显示，前驱体采用La、Ca、Sr的有机金属化合物及Mn、Ni盐，通过精确计量溶解后加入柠檬酸和乙二醇，最终形成目标钙钛矿相。机器学习算法与评估部分详细对比了三种模型的优劣：DT模型在x=0.3时的预测结果与实验数据呈现适度吻合；ANN展现出更强的非线性拟合能力；而MT模型凭借五阶高斯函数对电子跃迁过程的精确描述，在x=0.3时取得MAE=5.4×10^?4Ω·cm、R2=0.99302的卓越性能，其预测曲线几乎完全复现实验测量的电阻率-温度演变轨迹。

结论部分强调，该数学模型的成功源于其对钙钛矿中局域化电子跃迁、晶格极化子等量子效应的本质描述。相比传统Arrhenius方程，五阶高斯函数能同时捕捉材料在低温区的可变程跃迁和高温区的热激活传导两种机制。这项发表于《Journal of Alloys and Compounds》的研究，不仅为复杂掺杂钙钛矿的电阻率预测建立了新范式，其构建的MT模型还可直接集成到材料基因组计划的计算平台中，加速新型磁阻材料的理性设计。研究团队Radhouane Laajimi等特别指出，该方法可推广至其他过渡金属氧化物的电子输运行为预测，为下一代自旋电子学器件的材料筛选提供普适性工具。