通过机器学习材料空间发现可持续能源材料
材料科学
2026-01-19 v1 机器学习
计算物理
摘要
机器学习模型是否实际获得了对材料空间的理解？我们以OptiMate模型为例，对此问题持肯定回答。该模型是一个图注意力网络，旨在预测半导体和绝缘体的光学性质。通过对其潜在嵌入应用UMAP降维技术，我们展示了该模型捕获了反映化学和物理原理的细致可解释的材料空间表示，未引入任何用户偏见。这使得基于光学性质和化学相似性对近10,000种材料进行聚类成为可能。除了这种理解，我们展示了所学到的材料空间如何用于识别能源相关技术中关键材料的更可持续替代方案，如光伏材料。这些发现表明，机器学习模型在材料科学中的双重用途：在准确预测材料性质的同时，提供了对底层材料空间的洞见。该方法展示了利用所学材料空间发现和设计用于各种应用的材料的更广泛潜力，并且容易应用于任何最新的机器学习模型。
引用
@article{arxiv.2501.05903,
title = {Discovery of sustainable energy materials via the machine-learned material space},
author = {Malte Grunert and Max Großmann and Erich Runge},
journal= {arXiv preprint arXiv:2501.05903},
year = {2026}
}