利用迁移学习准确估计固体中的离子迁移障碍

离子迁移率决定了电池、燃料电池和电化学传感器等多个应用的性能，该率指数性地依赖于迁移障碍($E_m$)，而该数量难以测量/计算。以往用于识别高离子迁移材料的方法，因缺乏可预测$E_m$的通用模型而依赖粗略的描述符。本文我们提出基于图神经网络的架构，利用迁移学习原则高效准确地预测跨多样化材料的$E_m$。我们使用在七种不同bulk属性上预训练的模型(MPT)，修改MPT模型以分类结构中的不同迁移路径，并在基于密度泛函理论计算的619个$E_m$数据集上进行微调(FT)。重要的是，我们的最佳表现模型(标记为MODEL-3)在预测准确性方面显著优于经典机器学习方法、从零训练的图模型和通用机器学习原子势，测试集上R$^2$得分为0.703，平均绝对误差为0.261 eV。值得注意的是，MODEL-3能够区分结构中不同迁移路径，并在离子间嵌体组成和化学方面表现出色的泛化能力。作为分类器，MODEL-3在识别`优良'离子导体(即$E_m <$0.65~eV)的材料时准确率为80%，精确率为82.8%。因此，我们的工作展示了有效利用FT策略和必要架构修改，以实现快速准确的$E_m$预测，这对电池材料发现及预测其他数据稀缺材料属性具有重要价值。