通过机器学习代理模型快速准确预测晶格热导率
材料科学
2026-05-13 v1 计算物理
摘要
生成模型的出现为功能材料设计打开了广阔的化学空间。尽管机器学习原子间势(MLIP)已显著加速了声子计算，但高保真预测晶格热导率 \k{appa}lat 仍需精确处理非谐相互作用，这对现有势函数在新型化学空间中仍是一个关键挑战。为应对这一挑战，我们使用 Phonix 数据库对 15 种预测 \k{appa}lat 的代理模型进行了全面基准测试，该数据库包含 6,966 个条目，具有源自第一性原理计算的非谐声子特性。首先，我们将这些代理模型分为三个不同类别：物理信息特征描述符结合 ML 模型、端到端深度神经网络，以及预训练的 MLIP 嵌入结合 ML 模型。通过基于 \k{appa}lat 的随机、空间群不相交(测试对未见晶体对称性的泛化能力)和分布外(OOD 数据集，测试对超出训练范围的性质区域的外推能力)划分来评估模型性能，我们探测了内插和探索能力。我们的结果表明，MLIP 嵌入模型在充分采样的区域内插方面表现出色，而深度神经网络模型，尤其是 ALiEGNN，在对发现新型低 \k{appa}lat 材料至关重要的 OOD 区域中表现出卓越的鲁棒性。此外，我们发现当结构表示被简化时，性能会系统性下降。尽管代理模型的准确度低于使用第一性原理计算的直接模拟，但它们将计算成本降低了数个数量级，从而能够在生成式设计工作流程中以最小的损失实现热电材料的高通量筛选。
引用
@article{arxiv.2605.11610,
title = {Fast and Accurate Prediction of Lattice Thermal Conductivity via Machine Learning Surrogates},
author = {Zeyu Wang and Shuya Yamazaki and Martin Hoffmann Petersen and Masato Ohnishi and Tomiya Yamamoto and Wei Nong and Jianghai Wang and Ruiming Zhu and Masatoshi Hanai and Michimasa Morita and Toyotaro Suzumura and Zekun Ren and Junichiro Shiomi and Kedar Hippalgaonkar},
journal= {arXiv preprint arXiv:2605.11610},
year = {2026}
}