利用领域自适应实现新型卤化物钙钛矿的精确机器学习预测
材料科学
2024-01-23 v1
摘要
我们将图神经网络（GNN）与基于键价法（BVM）的廉价且可靠的结构生成方法相结合，训练精确的机器学习模型，用于筛选222,960种卤化物钙钛矿，使用DFT/PBE形成能（Ef）以及PBE和HSE带隙（Eg）的统计估计。通过领域自适应（DA）对源模型进行微调，与直接训练（即无DA）相比，Ef的改进因子为1.8倍，HSE Eg的改进因子为1.2-1.35倍。利用这两个ML模型，从222,960个候选物中识别出48种化合物，它们既稳定又具有与光伏应用相关的HSE Eg。在这48种化合物中，目前仅有8种被报道，表明据我们所知仍有40种化合物未被探索，因此为潜在的实验检验提供了机会。
引用
@article{arxiv.2401.10998,
title = {Leveraging Domain Adaptation for Accurate Machine Learning Predictions of New Halide Perovskites},
author = {Dipannoy Das Gupta and Zachary J. L. Bare and Suxuen Yew and Santosh Adhikari and Brian DeCost and Qi Zhang and Charles Musgrave and Christopher Sutton},
journal= {arXiv preprint arXiv:2401.10998},
year = {2024}
}