基于主动学习的生成式设计用于宽禁带材料发现
材料科学
2021-03-02 v1 机器学习
摘要
主动学习已日益应用于从现有材料数据库中筛选具有期望性质的功能材料。然而，诸如ICSD和Materials Project等主流材料数据库中已知的材料数量极为有限，仅构成庞大化学设计空间中的极小部分。本文提出一种主动生成式逆向设计方法，将主动学习与深度变分自编码器神经网络以及生成对抗深度神经网络模型相结合，以在整个化学设计空间中发掘具有目标性质的新材料。该方法的应用使我们发现了具有高禁带的热力学稳定材料（SrYF）以及具有指定禁带范围的半导体（SrClF、CaClF、YCl、SrCF、AlSCl、AsO），所有这些均通过第一性原理DFT计算验证。我们的实验表明，尽管主动学习本身可能采样出化学上不可行的候选材料，但这些样本有助于训练有效的筛选模型，从而从生成模型创建的假设材料中过滤出具有期望性质的材料。实验显示了我们主动生成式逆向设计方法的有效性。
引用
@article{arxiv.2103.00608,
title = {Active learning based generative design for the discovery of wide bandgap materials},
author = {Rui Xin and Edirisuriya M. D. Siriwardane and Yuqi Song and Yong Zhao and Steph-Yves Louis and Alireza Nasiri and Jianjun Hu},
journal= {arXiv preprint arXiv:2103.00608},
year = {2021}
}
备注
16 pages