利用机器学习可解释地发现新型半导体

Hitarth Choubisa; Petar Todorović; Joao M. Pina; Darshan H. Parmar; Ziliang Li; Oleksandr Voznyy; Isaac Tamblyn; Edward Sargent

利用机器学习可解释地发现新型半导体

材料科学 2021-01-13 v1 机器学习

作者: Hitarth Choubisa , Petar Todorović , Joao M. Pina , Darshan H. Parmar , Ziliang Li , Oleksandr Voznyy , Isaac Tamblyn , Edward Sargent

在 arXiv 上查看 ↗ PDF ↗

摘要

与从头算方法相比，材料的机器学习模型 $^{1-5}$ 加速了发现：深度学习模型现在以 DFT 成本的十万分之一复现密度泛函理论(DFT)计算结果 $^{6}$ 。为了给实验材料合成提供指导，这些模型需要与准确而高效的搜索算法以及和实验观测一致的训练数据相结合。在此我们报告一种由进化算法驱动的搜索，其使用基于高通量杂化泛函DFT数据训练的机器学习代理模型，并以实验带隙为基准：深度自适应回归加权智能网络(DARWIN)。该策略能够在约10 $^8$ 三元物和10 $^{11}$ 四元物 $^{7}$ 的材料空间中高效搜索具有目标性质的候选材料。它提供了可解释的设计规则，例如我们发现卤化物与B位阳离子之间的电负性差异是三元结构稳定性的强预测因子。作为一个例子，当我们寻找紫外发射时，DARWIN基于其电负性差异预测 K $_2$ CuX $_3$ (X = Cl, Br) 是一个有前景的材料族。我们合成了这些材料并发现它们是稳定的、直接带隙紫外发射体。该方法还允许知识蒸馏以供人类使用。

关键词

机器学习半导体发现进化算法 DARWIN 带隙实验合成可解释设计

引用

@article{arxiv.2101.04383,
  title  = {Interpretable discovery of new semiconductors with machine learning},
  author = {Hitarth Choubisa and Petar Todorović and Joao M. Pina and Darshan H. Parmar and Ziliang Li and Oleksandr Voznyy and Isaac Tamblyn and Edward Sargent},
  journal= {arXiv preprint arXiv:2101.04383},
  year   = {2021}
}

备注

25 pages, 4 figures, 1 table

利用机器学习可解释地发现新型半导体

摘要

关键词

引用

备注

相关论文