基于深度扩散语言模型的无机化合物生成式设计
材料科学
2023-10-03 v1 机器学习
摘要
由于化学空间广阔，发现具有特定功能的材料十分困难。化学式必须满足一系列严格要求，如电荷中性、电负性平衡、可合成性和机械稳定性。为应对这一艰巨任务，我们引入了一种基于深度学习的生成模型，通过学习并利用显式与隐式化学知识来进行材料成分与结构设计。我们的流程首先使用深度扩散语言模型作为成分生成器，然后应用基于模板的晶体结构预测算法预测其对应结构，随后使用基于通用图神经网络的势进行结构弛豫。通过密度泛函理论（DFT）计算形成能及 hull 上方能量分析来验证经本流程生成的新结构。基于 DFT 计算结果，发现了六种形成能小于零的新材料，包括 Ti2HfO5、TaNbP、YMoN2、TaReO4、HfTiO2 和 HfMnO2。值得注意的是，其中四种材料，即 Ti2HfO5、TaNbP、YMoN2 和 TaReO4，表现出小于 0.3 eV 的 hull 上方能量。这些发现证明了我们方法的有效性。
引用
@article{arxiv.2310.00475,
title = {Generative Design of inorganic compounds using deep diffusion language models},
author = {Rongzhi Dong and Nihang Fu and dirisuriya M. D. Siriwardane and Jianjun Hu},
journal= {arXiv preprint arXiv:2310.00475},
year = {2023}
}