Jan, 2024
推动带隙和介电常数的帕累托前沿: 基于机器学习引导的寻找介电材料
Pushing the Pareto front of band gap and permittivity: ML-guided search
for dielectric materials
TL;DR高介电常数材料易于在外部电场下极化,在许多现代电子设备中能够执行必要的功能。我们提出了一个高通量工作流,将元素置换、机器学习预筛选、从头模拟和人类专家直觉相结合,以有效地探索未知材料的潜在介电材料,从而导致合成和表征两种新型的介电材料CsTaTeO6和Bi2Zr2O7。我们的关键思想是在凹面Pareto前沿的多目标优化设置中部署机器学习。我们论证并展示初步证据表明,能带间隙和介电常数之间的倒数相关性使这一任务更适合机器学习方法,通过允许能带间隙和介电常数各自在良好训练支持区域内操作,并同时预测材料的优良性能。据我们所知,这是成功的机器学习指导的多目标材料优化在实验合成和表征方面的第一个例子。CsTaTeO6是通过元素置换生成的结构,在我们的参考数据源中不存在,因此展示了成功的全新材料设计。同时,我们报告了具有2.27 eV能带间隙和20.5介电常数的Bi2Zr2O7的首次高纯度合成和介电特性表征,满足了我们的多目标搜索的所有指标。