利用来自优选势的潜在信息预测无机材料的介电张量
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
本文提出了一种基于数据驱动的方法,使用SE(3)等变图神经网络高效预测晶体结构的弹性性质,该方法能较准确地预测重要弹性模量和变形能密度以及相应的弹性常数,并提供可解释预测的有意义的潜在特征。
Jun, 2023
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
通过使用等变图神经网络ChargE3Net来预测原子系统中的电子密度分布,本研究展示了比先前工作更佳的性能,并在规模更大的系统上可行于密度泛函理论(DFT)计算,同时能够预测材料的电子和热力学性质以及加速DFT的自洽迭代过程。
Dec, 2023
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
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
用具有扩展Hubbard泛函的密度泛函理论(DFT + U + V)来精确描述含有过渡金属或稀土元素的复杂材料,并基于等变神经网络的机器学习模型,通过捕捉系统的电子结构、局部化学环境和氧化态来预测Hubbard参数,从而加速材料的发现和设计。
Jun, 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
本研究解决了多组分材料的化学(无)序列导致的属性预测困难问题,提出了一种对称等变模型架构,以增强图卷积神经网络对原子排序的敏感性。研究发现,对称等变架构能够有效区分相同材料的不同晶体对称性,从而提高材料设计的精确性和可靠性。
Sep, 2024