Предсказание упругих свойств кристаллической структуры сплавов Гейслера в рамках машинного обучения

Рассматривается задача предсказания механических свойств сплавов Гейслера с использованием методов машинного обучения. В качестве целевых параметров выбраны модуль объёмной упругости ($B$) и коэффициент Пуассона ($\nu$). Построены модели на основе различных алгоритмов, включая линейные методы, ансамбли деревьев и нейросети. Наилучшие результаты достигнуты с использованием градиентного бустинга $R^2$ = 96.4 % и RMSE = 14.9 ГПа для $B$; $R^2$ = 65.9 % и RMSE = 0.035 для $\nu$. Модели протестированы на независимой выборке из 965 сплавов Гейслера, включая all-$d$-структуры. Полученные результаты подтверждают применимость подхода для предварительного отбора перспективных механически стабильных материалов.