大规模机器学习辅助的整个材料空间探索
材料科学
2022-10-04 v1 机器学习
计算物理
摘要
晶体图注意力网络最近已成为从非弛豫晶体结构预测热力学稳定性和材料性质的卓越工具。然而，先前在200万种材料上训练的网络表现出强烈的偏差，这些偏差源于可用数据中代表性不足的化学元素和结构原型。我们通过计算额外数据来解决这个问题，以在化学和晶体对称空间上提供更好的平衡。使用这些新数据训练的晶体图网络显示出前所未有的泛化精度，并允许对整个无机化合物空间进行可靠、加速的探索。我们应用这个通用网络进行机器学习辅助的高通量材料搜索，包括2500个二元和三元结构原型，涵盖约10亿种化合物。在使用密度泛函理论验证后，我们总共发现了19512种位于热力学稳定性凸包上的额外材料，以及约150000种距离凸包小于50 meV/原子的化合物。再次结合机器学习和从头计算方法，我们最终评估了所发现材料在超导体、超硬材料方面的应用，并寻找具有大带隙形变势的候选材料，发现了若干具有这些性质极端值的化合物。
引用
@article{arxiv.2210.00579,
title = {Large-scale machine-learning-assisted exploration of the whole materials space},
author = {Jonathan Schmidt and Noah Hoffmann and Hai-Chen Wang and Pedro Borlido and Pedro J. M. A. Carriço and Tiago F. T. Cerqueira and Silvana Botti and Miguel A. L. Marques},
journal= {arXiv preprint arXiv:2210.00579},
year = {2022}
}