利用深度生成神经网络高通量发现新型立方晶体材料
材料科学
2021-12-15 v2
摘要
高通量筛选已成为发现新型功能材料的主要策略之一。然而，其有效性严重受限于当前材料库（如ICSD和OQMD）中已知材料的数量与多样性不足。机器学习尤其是深度学习的最新进展使得一种生成式策略成为可能，该策略学习隐式化学规则以创造具有新组成和结构且化学有效的假设材料。但当前的材料生成模型难以生成结构多样、化学有效且稳定的材料。在此我们提出CubicGAN，一种基于生成对抗网络（GAN）的深度神经网络模型，用于大规模生成新型立方晶体结构。当在来自OQMD数据库的375,749种三元晶体材料上训练时，我们表明我们的模型不仅能够重新发现大多数当前已知的立方材料，还能生成具有新结构原型的假设材料。共有506种此类新材料（均为三元或四元）已通过基于DFT的声子色散稳定性检验得到验证，其中若干被发现可能具有优异的功能特性。考虑到立方材料在太阳能电池和锂电池等广泛应用中的重要性，我们的GAN模型提供了一种有前景的途径，可显著扩展当前材料库，从而通过筛选发现新的功能材料。最终经DFT验证的新晶体结构可在我们的Carolina Materials Database http://www.carolinamatdb.org 免费获取。
引用
@article{arxiv.2102.01880,
title = {High-throughput discovery of novel cubic crystal materials using deep generative neural networks},
author = {Yong Zhao and Mohammed Al-Fahdi and Ming Hu and Edirisuriya MD Siriwardane and Yuqi Song and Alireza Nasiri and Jianjun Hu},
journal= {arXiv preprint arXiv:2102.01880},
year = {2021}
}
备注
14 pages, 4 figures