基于概率嵌入对比学习的材料发现态密度预测
材料科学
2022-02-09 v3 计算物理
摘要
面向材料发现的机器学习主要集中于预测单个标量而非多个相关属性，其中谱属性是一个重要例子。基础谱属性包括声子态密度（phDOS）和电子态密度（eDOS），它们单独或共同构成了广泛材料观测与功能的起源。基于图注意力网络编码晶体材料的成功，我们引入一种专为谱属性预测定制的概率嵌入生成器。结合监督对比学习，我们的材料到谱（Mat2Spec）模型在预测晶体材料的 ab initio phDOS 与 eDOS 上优于最先进的方法。我们展示了 Mat2Spec 识别费米能级以下 eDOS 带隙的能力，通过 ab initio 计算验证预测，从而发现热电与透明导电候选材料。Mat2Spec 是通过策略性融合机器学习技术预测材料谱属性的范例框架。
引用
@article{arxiv.2110.11444,
title = {Density of States Prediction for Materials Discovery via Contrastive Learning from Probabilistic Embeddings},
author = {Shufeng Kong and Francesco Ricci and Dan Guevarra and Jeffrey B. Neaton and Carla P. Gomes and John M. Gregoire},
journal= {arXiv preprint arXiv:2110.11444},
year = {2022}
}
备注
26 pages, 15 figures, Minor edits to match the proofs from Nat.Commun