基于神经网络、采用结构信息且精度与易用性提升的可扩展形成能预测
材料科学
2023-03-17 v4 计算物理
摘要
在本文中，我们介绍一种基于神经网络的新工具，用于基于 Voronoi 镶嵌材料的元素与结构特征预测原子结构的形成能。我们简明概述机器学习与真实材料-性质关系之间的联系、如何通过减少过拟合来提高泛化精度、如何将新数据纳入模型以使其适应特定材料体系，以及使用模型进行局域结构弛豫的初步结果。本工作得到三个最终模型，分别优化用于 (1) 在开放量子材料数据库(OQMD)上的最高测试精度，(2) 新材料发现中的表现，(3) 低计算成本下的表现。在从 OQMD 随机选取的 21,800 种化合物的测试集上，它们分别实现了 28、40 和 42 meV/atom 的平均绝对误差(MAE)。第二个模型在 OQMD 中不存在的感兴趣测试案例中提供更好的预测，而第三个将计算成本降低了 8 倍。我们将结果收集在一个名为 SIPFENN（使用神经网络的结构信息形成能预测）的新开源工具中。SIPFENN 不仅将精度提升至超越现有模型，还以预训练神经网络和 GUI 界面的即用形式发布。借此，它几乎可以零成本纳入 DFT 计算流程。
引用
@article{arxiv.2008.13654,
title = {Extensible Structure-Informed Prediction of Formation Energy with Improved Accuracy and Usability employing Neural Networks},
author = {Adam M. Krajewski and Jonathan W. Siegel and Jinchao Xu and Zi-Kui Liu},
journal= {arXiv preprint arXiv:2008.13654},
year = {2023}
}