物质的结构相变一直以来是先进功能材料和凝聚态物理研究的重要课题，目前在实验和理论上都有很多精确可靠的结构相变分析方法。机器学习方法能够建立统计分析材料信息的完备算法主导的模型，进而预测结构性质。本研究中，我们使用支持向量机算法建立机器学习模型实现可以识别铁电单晶的正交相、四方相和正方相，以及构筑温度依赖的结构相图。因为拉曼光谱在结构识别和分析结构变化方面是十分准确且灵敏，我们采用该模型有效地学习和分析大量拉曼光谱数据，统计分析具有特征识别的晶格振动行为和动力学，进而实现机器学习模型预测结构相变。本论文着重介绍了机器学习算法对实验数据进行学习和预测的过程，包括材料合成和表征、数据集建立、特征提取、模型评估和优化、结构预测和未来发展。对于发展材料预测、材料信息学和机器学习算法在材料研究的更广泛应用铺平道路。

原文链接:https://journals.aps.org/prapplied/abstract/10.1103/PhysRevApplied.12.054049