基于读周期表法与周期卷积层的带隙深度学习估计

我们验证了参考文献《寻找新型超导体的深度学习模型》提出的名为“读周期表”（reading periodic table）的深度学习方法——其利用深度学习读取周期表与元素规律——不仅适用于该方法最初所针对的超导体，也适用于其他材料问题，具体通过带隙估计予以证明。随后，我们扩展了该方法以更好地学习规律：在学习的表征层面直接学习周期表最右列与最左列之间的圆柱周期性，即将最左与最右列视为彼此相邻。因此，原方法按原样处理周期表，而扩展方法将周期表视为两边缘相连。这是通过名为周期卷积层（periodic convolution layers）的新颖层实现的，该层可处理具周期性的输入，并可能应用于计算机视觉、时间序列等具某种周期性的其他问题。在读周期表法中，无需任何材料特征或描述符作为输入。我们展示了两类深度学习估计：估计带隙是否存在的方法，以及在已知材料存在带隙时估计带隙值的方法。最后，我们讨论了数据集与模型评估方法的局限性。基于随机训练-测试划分方案可能无法区分优良模型；因此必须准备训练与测试数据在时间上分离的合理数据集。代码与数据已公开。