用于准确预测石榴石稳定性的深度神经网络
材料科学
2018-11-14 v1
摘要
预测晶体稳定性是材料科学的核心问题之一。如今，密度泛函理论(DFT)计算是获取定量精度晶体能量的首选计算工具。尽管算法与计算能力有所进步，DFT计算仍相对昂贵且随体系大小扩展性差。本文中我们展示，仅利用两个描述符——鲍林电负性与离子半径——的深度神经网络，可以极低的平均绝对误差7-8 meV/原子预测C3A2D3O12石榴石的DFT形成能，较先前机器学习模型有一个数量级的提升，且完全在DFT精度范围内。进一步扩展到混合石榴石且精度损失很小，可通过引入极小描述符维数增加的二值编码方案实现。我们的结果表明，用于定量晶体稳定性预测的具泛化能力的深度学习模型可建立于一小簇化学直观的描述符之上。此类模型提供了快速遍历广阔化学空间以准确识别稳定组分的方法，加速具有潜在更优性质的新材料发现。
引用
@article{arxiv.1712.01908,
title = {Deep Neural Networks for Accurate Predictions of Garnet Stability},
author = {Weike Ye and Chi Chen and Zhenbin Wang and Iek-Heng Chu and Shyue Ping Ong},
journal= {arXiv preprint arXiv:1712.01908},
year = {2018}
}
备注
4 figures