基于深度图神经网络的玻璃结构逆向设计
材料科学
2021-11-10 v3
摘要
直接操控原子结构以实现特定性能是材料领域的长期追求。然而，受无序、非原型化的玻璃结构以及结构与性能之间复杂相互作用的阻碍，此类逆向设计对玻璃而言极其困难。在此，我们结合图神经网络与交换蒙特卡洛两种前沿技术，开发了一条数据驱动、面向性能的逆向设计路径，以可控方式提升了 Cu-Zr 金属玻璃的塑性抗力。交换蒙特卡洛作为“采样器”有效探索玻璃势能面，而图神经网络凭借在预测塑性抗力方面的高回归精度，充当“决策者”引导构型空间中的搜索。通过一种非传统的强化机制，我们揭示了一种几何上超稳定但能量上亚稳的状态，这与“能量越高、塑性抗力越低”的普遍认知相反。这表明存在一片广阔的构型空间，易被传统原子模拟所忽视。数据驱动技术、结构搜索方法与优化算法整合为一个工具箱，为玻璃材料的设计开辟了新途径。
引用
@article{arxiv.2104.06632,
title = {Inverse design of glass structure with deep graph neural networks},
author = {Qi Wang and Longfei Zhang},
journal= {arXiv preprint arXiv:2104.06632},
year = {2021}
}