利用基于图的推荐系统探索化学化合物空间
材料科学
2023-06-30 v1
摘要
随着无机材料大型数据库的可用,利用机器学习的数据驱动方法在材料科学研究中日益突出。本研究提出一种将数据驱动概念创新性地应用于化学化合物空间映射与探索的方法。推荐系统广泛用于向用户推荐项目,采用协同过滤等技术,依赖于由用户、项目及其交互组成的二部图。基于开放量子材料数据库(OQMD),我们构建了一个二部图,其中周期表中的元素和晶体结构中的位点被视为独立实体。它们之间由特定位点存在离子定义、并按相应化合物的热力学稳定性加权的关联关系,使我们能够生成一个包含每个离子和每个位点向量表示的嵌入空间。通过离子-位点占据与其在嵌入空间内距离的相关性,我们探索了新的离子-位点占据,促进了新型稳定化合物的发现。此外,该图的嵌入空间支持对元素间化学相似性的全面考察,以及对位点局部几何的详细分析。为证明方法的有效性与鲁棒性,我们使用不同版本的OQMD进行了历史评估,并推荐了具有Kagome晶格的新化合物,展示了我们的方法在实际材料设计中的适用性。
引用
@article{arxiv.2306.16496,
title = {Exploring chemical compound space with a graph-based recommender system},
author = {Elton Ogoshi and Henrique Ferreira and João N. B. Rodrigues and Gustavo M. Dalpian},
journal= {arXiv preprint arXiv:2306.16496},
year = {2023}
}