利用机器学习预测大型有机晶体结构的带隙
材料科学
2019-07-08 v4 计算物理
机器学习
摘要
机器学习模型能够从计算代价高昂的 ab initio 计算数据集中捕捉结构—性质关系。在过去两年中，有机材料数据库（OMDB）托管了越来越多先前已合成有机晶体结构的计算电子性质。OMDB 中所含有机晶体的复杂性（平均每个晶胞 82 个原子）使该数据库成为机器学习应用的一个具挑战性平台。本文聚焦于预测带隙，它是晶体材料的基本属性之一。为此，我们发布了一个包含 12 500 个晶体结构及其对应 DFT 带隙的一致数据集，可于 https://omdb.mathub.io/dataset 免费下载。两个前沿模型的集成达到了 0.388 eV 的平均绝对误差（MAE），对应于平均带隙 3.05 eV 的 13% 百分比误差。最后，训练好的模型被用于预测晶体学开放数据库（COD）中 260 092 种材料的带隙，并线上公开，以便用户上传任意晶体结构即可获得预测值。
引用
@article{arxiv.1810.12814,
title = {Band gap prediction for large organic crystal structures with machine learning},
author = {Bart Olsthoorn and R. Matthias Geilhufe and Stanislav S. Borysov and Alexander V. Balatsky},
journal= {arXiv preprint arXiv:1810.12814},
year = {2019}
}
备注
10 pages, 6 figures