一种用于快速预测多种材料中空位形成的深度学习模型
材料科学
2024-02-19 v1
摘要
空位等点缺陷的存在在材料设计中起着重要作用。在此，我们证明了一个仅在完美材料上训练的图神经网络(GNN)模型，无需额外的训练数据，也可用于预测缺陷结构的空位形成能()。这种基于GNN的预测比密度泛函理论(DFT)计算快得多，且具有合理的精度，并展示了GNN能够捕捉能量预测的函数形式的潜力。为了测试这一策略，我们构建了一个包含508个的DFT数据集，涵盖三维元素固体、合金、氧化物、氮化物和二维单层材料。我们分析并讨论了这种直接快速预测的适用性。我们应用该模型预测了JARVIS-DFT数据库中55723种材料的192494个。
引用
@article{arxiv.2205.08366,
title = {A Deep-learning Model for Fast Prediction of Vacancy Formation in Diverse Materials},
author = {Kamal Choudhary and Bobby G. Sumpter},
journal= {arXiv preprint arXiv:2205.08366},
year = {2024}
}