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

PDF
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。
dielectric constantml-guided materials optimizationcstateo6bi2zr2o7multi-objective search
发现论文，激发创造
  • 利用来自优选势的潜在信息预测无机材料的介电张量

    使用普适神经网络潜力中的普遍等变结构嵌入特征来提高介电性质预测的价值。通过设计等变读出解码器以预测总介电张量、电子介电张量和离子介电张量，并与现有模型进行比较，证明了我们的模型在预测无机材料介电张量方面的准确性。

    May, 2024

  • 利用机器学习从材料属性估计电子能带带隙能量

    利用机器学习技术估计电子带隙能量并基于可量化的实验性质预测材料的带隙类别。通过将数据集分成多个聚类群组，提出了一种改进简单回归分类模型性能的方案，从而在材料科学中比较基于机器学习的模型。该方法在新的评估指标下显示出更好的性能，无需 DFT 计算或材料结构的先验知识。

    Mar, 2024

  • 基于贝叶斯优化的钙钛矿实验中物理材料参数提取

    使用贝叶斯优化方法开发的分析平台可以从瞬态光致发光实验中提取有机金属钙钛矿半导体的最多八个基础材料参数，该平台可以方便地应用于其他实验，加速材料的发现和光伏等应用中半导体材料的优化。

    Feb, 2024

  • 可解释机器学习以实现掺杂共轭聚合物高通量电导率优化

    借助高通量实验技术和机器学习的结合，提出了一种利用吸收光谱进行电导率测量的机器学习方法，实现了对材料电导率的加速测量，极大提高了测量效率并获得了有价值的洞察力。

    Aug, 2023

  • 用密度泛函理论计算和机器学习技术结合预测 AX 二元化合物的带隙模型

    应用机器学习技术，以 Kohn-Sham 带隙和元素和晶体结构等基本信息为预测因素，建立预测模型，预测了 156 种 AX 二元化合物的 G0W0 带隙，最佳模型为非线性支持向量回归，均方根误差为 0.18eV，这种方法估算的大量带隙有望用于材料开发。

    Sep, 2015

  • 基于梯度的组成设计高温超导体的高效探索

    我们提出了一种基于梯度优化的材料设计方法，通过优化成分克服了传统方法的局限性，优化输入以使模型的输出与目标属性紧密对齐，从而便于发现未列出的材料和精确属性确定，应用于探索高临界温度超导体时，我们确定了超越现有数据库的潜在成分，并通过条件优化发现了新的氢超导体，该方法具有多功能性，通过实现高效、广泛的搜索和对新约束的适应性，显著推进了材料设计。

    Mar, 2024

  • 通过温和的电子 - 声子谱函数深度学习加速超导体发现

    整合深度学习与寻找新的电声子超导体的研究代表了一个蓬勃发展的领域，其中主要挑战在于计算电声子谱函数 α²F (ω)，超导理论 Midgal-Eliashberg 的主要组成部分。为了克服这一挑战，我们采用两步法，首先计算 818 种动态稳定材料的 α²F (ω)，然后使用一种非常规的训练策略训练一个深度学习模型 BETE-NET 来预测 α²F (ω)，并通过增加模型的归一化改进预测。此外，我们还将声子密度的领域知识结合到模型的节点属性中，提高预测精度。该方法的创新降低了临界温度 $T_c$ 的平均绝对误差（MAE）至 2.1K，对高温超导体材料的高通量筛选展示了实际应用。BETE-NET 在加速高温超导体的搜索同时为材料发现中应用机器学习树立了先例，特别是在数据有限的情况下。

    Jan, 2024

  • 基于人工神经网络的石墨烯可靠机器学习势

    本文介绍了一种基于神经网络的分子动力学模拟与机器学习结合的方法，用于准确计算和预测石墨烯的热力学性质和力学性能，从而可用于石墨烯材料的设计。

    Jun, 2023

  • 优化架构的消息传递神经网络用于带隙回归

    通过基于图的神经网络（Graph-based neural networks）和消息传递神经网络（message-passing neural networks，MPNNs），我们训练了一个 MPNN，首先使用 AFLOW 数据库中的密度泛函理论数据对材料进行分类，区分金属和半导体 / 绝缘体。然后，我们进行了神经架构搜索，探索 MPNN 的模型架构和超参数空间，以预测非金属材料的能带间隙。通过搜索的最佳模型组成了一个集合，其性能明显优于现有文献中的模型。利用蒙特卡洛 Dropout 和集成方法对不确定性进行了评估，其中集成方法表现出更好的结果。我们还分析了集成模型的适用领域，比如晶体系统、密度泛函计算中是否包含 Hubbard 参数以及构成材料的原子种类。

    Sep, 2023

  • 基于机器学习的电极制造优化，实现高性能能量和功率电池

    本研究通过提出一种动力学机器学习辅助流程的数据驱动方法，优化了生产参数的逆向设计，从而实现了可用于能量或功率应用的电极的制造。

    Jul, 2023