基于成分与深度学习的材料氧化态预测
材料科学
2022-11-30 v1 机器学习
摘要
氧化态是原子在键的离子近似后的电荷，已广泛用于电荷中性验证、晶体结构测定和反应估算。目前仅存在启发式规则用于猜测给定化合物的氧化态，且存在许多例外。近期工作已开发基于启发式结构特征的机器学习模型来预测金属离子的氧化态。然而，基于成分的氧化态预测至今仍难以实现，而这对于结构尚不可知的新材料发现更为重要。本工作提出一种新颖的基于深度学习的BERT transformer语言模型BERTOS，用于在仅给定化学成分类别下预测无机化合物所有元素的氧化态。我们的模型在清洗后的ICSD数据集上对所有元素氧化态预测达到96.82%的准确率，对氧化物材料达到97.61%的准确率。我们还展示了如何将其用于假设材料成分的大规模筛选以进行材料发现。
引用
@article{arxiv.2211.15895,
title = {Composition based oxidation state prediction of materials using deep learning},
author = {Nihang Fu and Jeffrey Hu and Ying Feng and Gregory Morrison and Hans-Conrad zur Loye and Jianjun Hu},
journal= {arXiv preprint arXiv:2211.15895},
year = {2022}
}
备注
16 pages