Skip to main content
main-content

Tipp

Weitere Artikel dieser Ausgabe durch Wischen aufrufen

26.02.2019 | Computation and theory | Ausgabe 11/2019

Journal of Materials Science 11/2019

Data-enabled structure–property mappings for lanthanide-activated inorganic scintillators

Zeitschrift:
Journal of Materials Science > Ausgabe 11/2019
Autoren:
G. Pilania, Xiang-Yang Liu, Zhehui Wang
Wichtige Hinweise

Electronic supplementary material

The online version of this article (https://​doi.​org/​10.​1007/​s10853-019-03434-7) contains supplementary material, which is available to authorized users.

Publisher's Note

Springer Nature remains neutral with regard to jurisdictional claims in published maps and institutional affiliations.

Abstract

The use of machine learning (ML) models toward development of validated structure–property relationships for two fundamental properties of activated inorganic scintillators for high energy radiation detection, namely the light yield (LY) and the decay time constant, is explored. The ML models are built on easily accessible proxies of materials—interchangeably referred to as features, descriptors or fingerprints—that are carefully selected on the basis of a physical understanding of the scintillation mechanism. Our study indicates that the developed physics-based ML models employing kernel ridge regression (KRR) and AdaBoost algorithm applied on top of a decision tree-based regression are able to “learn” the underlying design rules in a multi-dimensional feature space and thereby enable reasonably accurate predictions of the two target properties on unseen compounds (i.e., on a held-out test set). For instance, within a set of twenty-five cerium- or europium-doped scintillator materials, our analysis reveals a strong correlation between the average ionic part of the dielectric constant and the LY, irrespective of the specific chemistry of the compounds, indicating that the average ionic part of the dielectric constant is a particularly relevant descriptor toward prediction of the LY. Our results also demonstrate that, despite the use of small training datasets, the developed models are able to quickly distinguish high performing chemistries from those with relatively poor performance and therefore can play a crucial role in screening of new compounds with an attractive combination of targeted properties. The present study provides necessary motivation for future efforts involving ML models with relatively large training datasets, vast feature space explorations, and experimental design in search of promising novel scintillator chemistries.

Bitte loggen Sie sich ein, um Zugang zu diesem Inhalt zu erhalten

Sie möchten Zugang zu diesem Inhalt erhalten? Dann informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 69.000 Bücher
  • über 500 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Umwelt
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Testen Sie jetzt 30 Tage kostenlos.

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 50.000 Bücher
  • über 380 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Umwelt
  • Maschinenbau + Werkstoffe




Testen Sie jetzt 30 Tage kostenlos.

Zusatzmaterial
Nur für berechtigte Nutzer zugänglich
Literatur
Über diesen Artikel

Weitere Artikel der Ausgabe 11/2019

Journal of Materials Science 11/2019 Zur Ausgabe

Premium Partner

    Marktübersichten

    Die im Laufe eines Jahres in der „adhäsion“ veröffentlichten Marktübersichten helfen Anwendern verschiedenster Branchen, sich einen gezielten Überblick über Lieferantenangebote zu verschaffen. 

    Bildnachweise