多晶六方Mn?FeSn化合物的实验与理论研究

《Results in Engineering》：Experimental and Theoretical Investigation of Polycrystalline Hexagonal Mn 2FeSn compound

本文提出一种基于多头注意力机制（MHA）、时序卷积网络（TCN）和超参数优化（HO）的混合模型MHA-TCN-HO-SE，用于高效预测二元复合氧化物（BCOs）的标准生成焓（SE）。通过整合MHA捕捉复杂特征依赖、TCN处理序列数据中的时序关系，以及HO优化模型参数，该模型在209种BCOs数据集上表现优异，RMSE为12.56 kJ·mol?1，MAPE为9.21%，R2达0.93，显著优于传统方法及TXL-GNN、NASLSTM等机器学习模型。实验验证其良好的泛化性和稳定性，为材料设计提供新工具。

　　二元复合氧化物（BCOs）作为材料科学领域的重要组成部分，在现代工业中扮演着关键角色。这些化合物由两种不同的金属元素与氧结合形成，其独特的物理和化学性质使其在电子、催化和能量存储等多个关键领域得到广泛应用。理解BCOs的热力学性质，尤其是标准生成焓（SE），对于优化其在这些应用中的性能和稳定性至关重要。例如，在电子工业中，准确的SE值有助于设计更稳定和高效的电子元件，如高性能电容器和电阻器。在催化领域，SE值可以帮助识别那些能够提高反应效率和选择性的BCOs催化剂。在能量存储方面，SE值对于开发在多次充放电循环中保持结构完整性和一致性能的BCOs至关重要。本文提出了一种基于多头注意力机制（MHA）和MHA-TCN-HO-SE的深度学习方法，以提高BCOs的SE预测精度。

传统的SE估算方法，如差示扫描量热法（DSC）和经验模型，存在精度和效率方面的局限性。DSC方法虽然经典，但操作复杂且需要高精度的实验条件，实验周期长且成本高，难以满足大规模和快速筛选材料的需求。经验模型主要依赖于实验数据和经验公式，但由于BCOs复杂的结构配置和多样的相互作用，难以准确表示其内部机制，导致预测精度有限，泛化能力不足。此外，经验模型难以处理BCOs中元素复杂的化学键和电子结构，进一步限制了其在高精度预测中的发展。因此，开发新的预测方法成为解决这些问题的关键。

本文提出的MHA-TCN-HO-SE混合模型结合了MHA、时间卷积网络（TCN）和超参数优化（HO），能够有效捕捉BCOs数据中的复杂依赖关系和序列数据的短期和长期依赖关系。MHA机制通过多头注意力同时关注输入数据的不同部分，提取不同特征子空间的信息，并自动学习特征间的相关性，从而增强模型的特征提取能力。TCN通过扩张卷积技术高效捕捉序列数据中的短期和长期依赖关系，避免梯度消失问题，并通过适当的卷积操作和填充保持原始数据的信息完整性。HO则通过优化超参数，确保模型的效率和稳定性。这些机制的结合不仅提升了模型的预测精度和泛化能力，还提高了计算效率，使得模型在实际应用中具有更高的实用价值。

为了验证模型的性能，本文对209种不同的BCOs进行了实验和数据分析，包括33种简单的氧化物和209种不同的二元复合氧化物。通过综合考虑各种特征，如SE值、各单氧化物的组成比例和晶体结构信息，模型能够更准确地预测BCOs的SE。此外，通过5折交叉验证和10次重复运行，模型在预测209种BCOs的SE时，表现出较高的准确性和稳定性，R2值达到0.93，MAPE为9.21%，RMSE为12.56 kJ·mol?1，优于传统的实验方法和其他机器学习模型。例如，TXL-GNN的RMSE为13.80，MAPE为10.00%，R2为0.91；NASLSTM的RMSE为14.50，MAPE为10.80%，R2为0.89；AGCN的RMSE为15.20，MAPE为11.50%，R2为0.87。这些结果表明，MHA-TCN-HO-SE模型在预测精度和计算效率方面具有显著优势。

在数据预处理阶段，所有输入特征均被归一化为零均值和单位方差，以确保每个特征在模型训练过程中贡献均衡。通过严格的预处理步骤，包括数据清洗和异常值识别，本文构建了一个高质量的输入数据集，为后续的预测分析奠定了坚实的基础。此外，模型的泛化能力在不同训练数据比例下得到了验证。当训练数据比例增加时，模型的预测性能显著提升，尤其是在95%的数据比例下，模型的RMSE和MAPE均达到最佳水平，R2值也达到最高。这表明，MHA-TCN-HO-SE模型在面对新的、未见过的数据时，能够保持良好的稳定性和泛化能力。

在模型比较方面，本文对多种模型进行了深入分析，包括传统的单模型和复杂的混合模型。结果显示，MHA-TCN-HO-SE模型在预测精度和计算效率上均优于其他模型。例如，与TXL-GNN相比，MHA-TCN-HO-SE模型的RMSE降低了约10%，MAPE降低了约8%。与单模型如神经网络（NN）相比，MHA-TCN-HO-SE模型在R2值上表现更优，尽管其训练过程更为复杂。这些结果进一步证明了MHA-TCN-HO-SE模型在BCOs SE预测任务中的优越性。

此外，本文还探讨了SE对BCOs性能的影响。以LiMn?O?为例，其SE值为-2100 kJ/mol，显示出在多次充放电循环中较高的稳定性。经过500次充放电测试后，其容量保持率达到了85%，表明其在能量存储应用中的优异表现。这些数据不仅验证了SE与充放电性能之间的关系，还为后续的材料设计和优化提供了理论支持。

本文的研究结果表明，MHA-TCN-HO-SE模型能够有效捕捉BCOs中的复杂依赖关系和结构-性能关联，为材料科学领域提供了新的视角和工具。通过结合先进的深度学习技术和超参数优化策略，该模型在预测精度、泛化能力和计算效率方面均表现出色，为BCOs的开发和应用提供了可靠的基础。未来的研究将进一步探索更先进的可解释性技术，以提高模型的物理可解释性，并可能引入更复杂的优化算法和模型结构，以增强其在更多材料体系中的适用性。