利用来自优选势的潜在信息预测无机材料的介电张量
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。
Jan, 2024
我们提出了一种通用材料张量网络 (GMTNet) 方法,针对结晶张量的特性进行预测,旨在满足 O (3) 群的张量等变性和晶体空间群的不变性。我们通过构建数据集和评估指标,验证了 GMTNet 方法在各种不同阶数的晶体张量上的良好性能,并成功生成与晶体内部对称性一致的预测结果。
Jun, 2024
本论文利用欧氏神经网络,输入仅为原子种类和位置,直接预测晶体固体中的声子态密度。通过该方法,可以高效地探索材料的声子结构,并能进一步快速筛选出高性能的热储存材料和声子介导超导体。
Sep, 2020
本文提出了一种机器学习方法,以快速预测固体材料的性质,通过使用对称可扩展的晶体结构表示法,实现高精度的学习和预测,主要关注预测金属或绝缘体行为以及费米能级处的电子状态密度的值。
Jul, 2013
本研究介绍了一种基于 Transformer 的适应性框架 CrystalBERT,该框架整合了空间群、元素和晶胞信息,能够准确预测各种物理重要性质,包括拓扑性质和超导过渡温度等,同时提供具有洞察力的对目标物性影响最显著的特征的物理解释。通过结合各种特征,模型在拓扑分类中实现了 91% 的高准确率,超过以往研究,并识别了先前被错误分类的拓扑材料,进一步证明了我们模型的有效性。
May, 2024
本文基于 Deep Learning 方法,开发一个新模型,能够更加有效的预测含有孔隙结构的晶体物质的热吸附性能,该模型能够考虑到晶体的空间对称性和孔隙结构,并且在实验验证中表现良好。
Apr, 2023
基于深度学习的生成模型和密度泛函理论,我们通过学习和利用显式和隐式化学知识,提出了一种材料组成和结构设计的方法。通过深度扩散语言模型生成组合,并应用基于模板的晶体结构预测算法预测相应的结构,然后使用基于通用图神经网络的势函数进行结构弛豫。通过密度泛函理论的计算和能量分析验证了我们的方法,并发现了六种新的具有负能量生成焓的材料,证明了我们方法的有效性。
Sep, 2023
我们提出了一种基于集成学习的方法,用于预测晶体材料的形成能量和弹性常数,通过分子动力学计算的物性作为输入,集成学习结果比传统的原子势能方法更准确。
Jul, 2023
基于数据驱动的神经网络和经典表示定理的本构建模框架因其易于整合本构约束和卓越的泛化性能而受到广泛关注。本研究通过测试多种不同张量基生成器的模型,对有限变形情况下的高弹性材料进行建模,包括一些尚未探索使用与 Finger-Rivlin-Ericksen 理论等效的不变量和生成器的公式。此外,我们比较了基于势函数和系数的方法以及不同的校准技术,并对三种不同材料的噪声和无噪声数据集进行了九个变体的测试,提供了每种公式性能的理论和实用洞察。
Aug, 2023
本文利用数学建模和人工神经网络预测炉渣电导率,得到最佳的人工神经网络为具有 100 个神经元的隐藏层和 6 个预测变量以及电导率作为预测变量,同时进行了敏感性分析来确立每个预测变量与预测变量的关系。
May, 2023