开发改进的晶体图卷积神经网络框架以加速材料发现
计算物理
2020-07-01 v1 材料科学
数据分析、统计与概率
摘要
最近提出的晶体图卷积神经网络（CGCNN）通过直接从晶体结构的图式表示（“晶体图”）学习材料性质，提供了一种高度通用且精确的机器学习（ML）框架。在此，我们开发了CGCNN模型的一个改进变体（iCGCNN），其性能优于原始模型，因为它融入了Voronoi镶嵌晶体结构的信息、相邻组成原子的显式三体关联，以及晶体图中原子间键的优化化学表示。我们通过两个不同的示例展示了该改进框架的准确性：首先，在从开放量子材料数据库（OQMD）中选取的180,000/20,000个密度泛函理论（DFT）计算的热力学稳定性条目上进行训练/验证，并在包含230,000个条目的独立测试集上进行评估时，iCGCNN的预测准确率显著提高，比原始CGCNN高出20%。其次，当用于辅助高通量搜索ThCr2Si2结构类型的材料时，iCGCNN的成功率达到31%，是无导向高通量搜索的310倍，是原始CGCNN的2.4倍。利用CGCNN和iCGCNN，我们筛选了132,600种具有ThCr2Si2原型晶体结构元素装饰的化合物，并通过执行757次DFT计算，共识别出97种新的独特稳定化合物，将高通量搜索的计算时间加速了130倍。我们的结果表明，iCGCNN可用于通过快速准确地识别具有目标性质的晶体化合物，来加速新材料的发现。
引用
@article{arxiv.1906.05267,
title = {Developing an improved Crystal Graph Convolutional Neural Network framework for accelerated materials discovery},
author = {Cheol Woo Park and Chris Wolverton},
journal= {arXiv preprint arXiv:1906.05267},
year = {2020}
}