材料发现：机器学习辅助下可绽放结构的预测
材料科学
2025-05-15 v1 机器学习
摘要
尽管热力学能基于的晶体结构预测 (CSP) 方法在材料发现方面取得了突破，但能驱动的 CSP 方法往往难以识别通过动力学受控路径合成的可实现的亚稳态材料，导致理论预测与实验合成之间存在关键鸿沟。本文提出一种以可绽放性为导向的 CSP 框架，集成对称引导的结构推导与基于 Wyckoff 编码的机器学习模型，高效定位可能产出高度可绽放结构的子空间。通过在识别出的有前景的子空间内，结合基于结构的可绽放性评估模型进行筛选（该模型利用最近合成的结构微调以提升预测准确性），并辅以初步计算，系统性地识别出可绽放的候选结构。该框架成功复现了 13 种已知的 XSe (X = Sc, Ti, Mn, Fe, Ni, Cu, Zn) 结构，证明其在预测可绽放结构方面的有效性。值得注意的是，92,310 个候选结构被从 GNoME 预测的 554,054 个结构中筛选出来，显示出高度可绽放的潜力。此外，本文识别出 8 种热力学稳定的 Hf-X-O (X = Ti, V, Mn) 结构，其中三种 HfVO 候选结构表现出高可绽放性，具备实验实现的潜力，可能与实验观察到的温度诱导相变有关。本工作建立了一种数据驱动的范式，用于机器学习辅助无机材料合成，凸显其在弥合计算预测与实验实现之间、开启新型功能材料精准发现新机遇方面的潜力。
引用
@article{arxiv.2505.09161,
title = {Bridging Theory and Experiment in Materials Discovery: Machine-Learning-Assisted Prediction of Synthesizable Structures},
author = {Yu Xin and Peng Liu and Zhuohang Xie and Wenhui Mi and Pengyue Gao and Hong Jian Zhao and Jian Lv and Yanchao Wang and Yanming Ma},
journal= {arXiv preprint arXiv:2505.09161},
year = {2025}
}