机器学习加速逆晶体结构预测：以碳同素异形体为例
材料科学
2020-07-17 v1
摘要
基于结构预测方法，采用机器学习方法替代密度泛函理论（DFT）方法预测材料性质，从而加速材料搜索过程。本文中，我们利用高通量计算建立了碳材料数据集，所用可用碳结构取自 Samara 碳同素异形体数据库。随后我们训练了一个专门预测弹性模量（体模量、剪切模量与杨氏模量）的 ML 模型，并确认其在预测碳同素异形体弹性模量上的精度优于 AFLOW-ML。我们进一步将 ML 模型与 CALYPSO 代码结合，搜索具有高杨氏模量的新碳结构。首次揭示了一种未收录于 Samara 碳同素异形体数据库、命名为 Cmcm-C24 的新碳同素异形体，其硬度大于 80 GPa。Cmcm-C24 相被确定为具有直接带隙的半导体。我们系统研究了该新碳同素异形体的结构稳定性、弹性模量与电子性质，所得结果证明了 ML 方法加速材料搜索过程的可行性。
引用
@article{arxiv.2007.07531,
title = {Accelerating inverse crystal structure prediction by machine learning: a case study of carbon allotropes},
author = {Wen Tong and Qun Wei and Haiyan Yan and Meiguang Zhang and Xuanmin Zhu},
journal= {arXiv preprint arXiv:2007.07531},
year = {2020}
}