基于数据驱动深度生成模型的下一代超导体逆向设计
超导电性
2023-07-28 v4 材料科学
摘要
由于计算与实验成本，寻找具有高临界温度（）的新超导体一直是一项艰巨任务。我们提出了一种受计算机视觉界启发的扩散模型，用于生成具有独特结构与化学成分的新超导体。具体而言，我们使用晶体扩散变分自编码器（CDVAE）以及原子线图神经网络（ALIGNN）预训练模型，并结合联合自动集成多种模拟存储库（JARVIS）中基于密度泛函理论（DFT）计算的超导数据库，以高成功率生成新超导体。我们从一个约 1000 种超导材料的 DFT 数据集开始训练扩散模型。我们利用该模型生成 3000 个新结构，结合预训练 ALIGNN 筛选后得到 61 个候选材料。对于最优候选，我们进行了 DFT 计算以作验证。此类方法超越了漏斗式材料设计思路，实现了下一代材料的逆向设计。
引用
@article{arxiv.2304.08446,
title = {Inverse Design of Next-generation Superconductors Using Data-driven Deep Generative Models},
author = {Daniel Wines and Tian Xie and Kamal Choudhary},
journal= {arXiv preprint arXiv:2304.08446},
year = {2023}
}