与原子位置无关的机器学习材料性质描述符
材料科学
2018-12-26 v2 无序系统与神经网络
数据分析、统计与概率
摘要
利用机器学习方法对周期性无机固体进行高通量筛选，需要借助原子位置将结构与成分细节编码为合适的材料描述符。对于新材料，这些原子位置无法事先获得，这严重限制了对新材料的探索。我们通过仅在材料结构描述中使用晶体学对称性信息克服了这一限制。我们表明，对于结构对称性相同的材料，机器学习是平凡的，并且仅使用原子序数进行材料描述即可达到与密度泛函理论计算相近的精度。对于体相晶体固体形成能的机器学习，这一简单的材料描述符在由超过85,000种多样材料组成的测试数据集上能够实现仅0.07 eV/atom的预测平均绝对误差。这种与原子位置无关的材料描述符为材料发现提供了一条新途径，通过对大幅缩减的材料子空间训练机器学习模型，即可筛选数百万种材料。
引用
@article{arxiv.1809.03960,
title = {Atomic positions independent descriptor for machine learning of material properties},
author = {Ankit Jain and Thomas Bligaard},
journal= {arXiv preprint arXiv:1809.03960},
year = {2018}
}
备注
7 pages, 5 figures