用于识别热驱动金属-绝缘体转变化合物的数据库、特征与机器学习模型
材料科学
2022-07-20 v2 强关联电子
摘要
金属-绝缘体转变（MIT）化合物是指根据物理条件可能表现出绝缘或金属行为的材料，因其在新一代微电子学中的潜在应用而具有极大的基础研究价值。然而，热驱动 MIT 材料十分匮乏，这使得将这类化合物与纯绝缘或纯金属化合物区分开来颇具挑战。本文报道了一个材料数据库，该数据库通过材料领域知识与自然语言处理相结合构建，收录了来自高质量实验文献的温度调控型 MIT（以及化学组成和化学计量比与 MIT 化合物相似的金属和绝缘体）。我们使用成分、结构和能量描述符对该数据集进行特征化，包括两个与 MIT 相关的能量尺度——估算的 Hubbard 相互作用和电荷转移能，以及称为全局不稳定性指数（GII）的结构键应力度量。随后我们进行有监督分类，构建了三个电子态分类器：金属与非金属（M）、绝缘体与非绝缘体（I），以及 MIT 与非 MIT（T）。我们在二维特征空间中识别出两个可分离金属、绝缘体和 MIT 材料的重要描述符：共价半径的平均偏差和门捷列夫数的范围。我们进一步阐述了其他重要特征（GII 和 Ewald 能），并考察它们如何影响二元钒氧化物和钛氧化物的分类。我们讨论了这些原子特征与稀土镍酸盐家族中 MIT 潜在物理相互作用的关系。最后，我们实现了分类器的在线版本，可通过上传晶体结构文件实现快速的概率性类别预测。
引用
@article{arxiv.2010.13306,
title = {Database, Features, and Machine Learning Model to Identify Thermally Driven Metal-Insulator Transition Compounds},
author = {Alexandru B. Georgescu and Peiwen Ren and Aubrey R. Toland and Shengtong Zhang and Kyle D. Miller and Daniel W. Apley and Elsa A. Olivetti and Nicholas Wagner and James M. Rondinelli},
journal= {arXiv preprint arXiv:2010.13306},
year = {2022}
}