基于机器学习生成能的化合物稳定性预测的批判性检验
材料科学
2020-07-14 v2 计算物理
摘要
机器学习已成为高效预测材料性质的新工具，并有声称称化合物的生成能机器学习模型可接近密度泛函理论（DFT）的精度。本工作测试的模型包括五个近期发表的成分模型、一个仅使用化学计量学的基线模型以及一个结构模型。通过在 Materials Project 数据库中 85,014 种独特化学组成的 DFT 计算上测试七个生成能机器学习模型对稳定性的预测，我们表明虽然生成能确实可被良好预测，但所有成分模型在预测化合物稳定性上表现糟糕，使其相较于 DFT 在新固体发现与设计中用处大为降低。最关键的是，在稳定化合物极少化学计量学的稀疏化学空间中，仅结构模型能够有效探测哪些材料是稳定的。结构模型相对成分模型的非增量改进值得注意，并鼓励在材料发现中使用结构模型，其限制在于对任意新组成，基态结构并非先验已知。本工作表明生成能的准确预测并不意味着稳定性的准确预测，强调了在稳定性预测上评估模型性能的重要性，为此我们提供了一套公开可用的测试。
引用
@article{arxiv.2001.10591,
title = {A critical examination of compound stability predictions from machine-learned formation energies},
author = {Christopher J. Bartel and Amalie Trewartha and Qi Wang and Alexander Dunn and Anubhav Jain and Gerbrand Ceder},
journal= {arXiv preprint arXiv:2001.10591},
year = {2020}
}