基于元素性质贡献集成机器学习的功能材料发现中的元素筛选
材料科学
2023-01-30 v2 超导电性
机器学习
摘要
材料之间的根本差异源于其组成化学元素的独特性质。在根据给定晶体结构中元素的精确比例出现具体差异之前,材料可由其组成化学元素的集合来表示。通过在元素周期表层面工作,在相场层面对材料进行评估可将组合复杂度降低以加速筛选,并规避与组分层面方法相关的挑战,如相场内外推能力差以及无法穷举采样。这种早期判别与相场新颖性评估相结合,通过优先确定在反应中应组合哪些元素,契合识别待研究新化学领域的突出实验挑战。在此,我们证明可针对目标功能性质的最大期望值对相场进行评估,并按化学新颖性排序。我们开发并提出了 PhaseSelect,一种端到端机器学习模型,结合了相场的表示、分类、回归和排序。首先,PhaseSelect 从计算和实验报道材料中化学元素的共现构建元素特征,然后采用注意力机制学习相场表示并评估其功能性能。在元素周期表层面,PhaseSelect 量化观测到功能性质的概率,估计其在相场内的数值,并对相场新颖性排序,我们在高温超导、高温磁性和目标带隙能量三条材料应用路径上以显著的准确性进行了演示。
引用
@article{arxiv.2202.01051,
title = {Element selection for functional materials discovery by integrated machine learning of elemental contributions to properties},
author = {Andrij Vasylenko and Dmytro Antypov and Vladimir Gusev and Michael W. Gaultois and Matthew S. Dyer and Matthew J. Rosseinsky},
journal= {arXiv preprint arXiv:2202.01051},
year = {2023}
}