神经网络中用于无限层与钙钛矿氧化物研究的主动学习与元素嵌入方法
超导电性
2023-02-02 v1 材料科学
摘要
结合密度泛函理论模拟与神经网络的主动学习，我们探究了元素周期表中无限层与钙钛矿氧化物内氧空位层形成能、晶格参数及其关联性，并将超导镍酸盐与铜酸盐家族置于全面的统计背景中。我们表明，神经网络仅使用30–50%的数据进行训练，即可高精度预测这些可观测量。元素嵌入自主识别出各元素间符合人类认知的化学相似性概念。基于熵与信息的基本理念，主动学习在无先验知识的情况下以最优策略构建训练集，并对预测精度提供系统性控制。这为大幅加速大参数空间的扫描提供了关键要素，并例证了人工智能如何在量子尺度上辅助发现具有优化性质的新材料。
引用
@article{arxiv.2104.02529,
title = {Active learning and element embedding approach in neural networks for infinite-layer versus perovskite oxides},
author = {Armin Sahinovic and Benjamin Geisler},
journal= {arXiv preprint arXiv:2104.02529},
year = {2023}
}
备注
4 pages, 5 figures