基于卷积神经网络的三元氮化物高通量筛选

新材料的开发是工业合成与应用进步的核心方面。基本元素存在大量可能的化学排列组合可供探索，以合成具有吸引人的催化、机械和电学性质的材料，这些材料由于成本和时间等因素，传统实验方法未必容易获取。以氮化物为例，其成功合成需要非常严苛且精确的条件，使得实验探索十分缓慢。在本文中，我们采用机器学习算法预测三元金属氮化物（TMN）的体相性质，特别是与其硬度相关的体模量。我们开发出一个具有令人鼓舞准确率的稳定模型，能够预测此前没有计算值的材料的体模量。该模型在 $10^3$ 个具有已知弹性性质和确定结构的三元材料上训练，并能以 $\thickapprox 80\%$ 的准确率预测约 $1,000$ 个三元金属氮化物（TMN）的体模量。该方法比密度泛函理论（DFT）等传统计算方法快数个数量级，使得具有前景性质的材料的探索性识别变得迅速。我们建议此类模型用于从第一性原理出发筛选值得进行高通量计算的有趣候选材料。