基于图卷积神经网络的材料空间层次化可视化
材料科学
2018-11-12 v2 机器学习
摘要
高通量计算与机器学习的结合通过允许直接筛选结构、化学和性质空间的广阔区域，带来了材料设计的新范式。这些强大技术的使用导致了海量数据的生成，这进而需要新技术来高效探索和可视化材料空间以帮助识别潜在模式。在这项工作中，我们开发了一个统一框架，利用从图卷积神经网络不同层学到的表征，对任意材料空间中材料之间的组成和结构相似性进行层次化可视化。我们通过展示在三类代表性材料中自动浮现反映不同尺度相似性的模式来演示这种可视化方法的潜力：钙钛矿、单质硼和一般无机晶体，涵盖了不同组成、结构以及两者的材料空间。对于钙钛矿，学到了反映原子性质多个方面的元素相似性。对于单质硼，自动浮现出显示特征硼局部环境的结构基序。对于无机晶体，结合不同中心与邻近原子展示了局部配位环境的相似性与稳定性。该方法有助于在向自动化材料设计以数据为中心的材料空间探索转型中发挥作用。
引用
@article{arxiv.1807.03404,
title = {Hierarchical Visualization of Materials Space with Graph Convolutional Neural Networks},
author = {Tian Xie and Jeffrey C. Grossman},
journal= {arXiv preprint arXiv:1807.03404},
year = {2018}
}
备注
22 + 7 pages, 6 + 5 figures