基于首选势的潜在信息预测无机材料的介电张量
材料科学
2024-09-11 v2 机器学习
摘要
介电材料对于闪存、CPU、光伏和电容器等技术至关重要，但公开的材料数据稀缺，限制了其研发。现有机器学习模型专注于预测标量多晶体介电常数，忽视了介电张量的方向性，这对于材料设计至关重要。本研究利用来自通用神经网络势的多秩等变结构嵌入来增强介电张量的预测。我们开发了等变读取解码器，用于预测总介电张量、电子介电张量和离子介电张量，同时保持 O(3) 等变性。我们对其性能进行了与最先进算法的基准测试。通过从 Materials Project 筛选热力学稳定材料，用于两个发现任务：高介电和高度各向异性材料，我们识别了包括 Cs2Ti(WO4)3（带隙 ，介电常数 ）和 CsZrCuSe3（各向异性比 ）在内的有前景的候选材料。结果表明，我们的模型在预测介电张量方面具有准确性，并为发现新型介电材料提供了潜力。
引用
@article{arxiv.2405.09052,
title = {Dielectric Tensor Prediction for Inorganic Materials Using Latent Information from Preferred Potential},
author = {Zetian Mao and Wenwen Li and Jethro Tan},
journal= {arXiv preprint arXiv:2405.09052},
year = {2024}
}