利用大规模计算数据库与深度学习准确预测材料性质
材料科学
2021-12-30 v1 计算物理
摘要
准确预测材料的物理与化学性质仍是材料设计中最具挑战性的任务之一，一种有效策略是构建可靠数据集并用于训练机器学习模型。本研究构建了一个大规模材料基因组数据库（Matgen），包含从实验观测数据库中收集的 76,463 种材料，并通过密度泛函理论（DFT）方法结合 Perdew-Burke-Ernzehof（PBE）泛函计算了它们的带隙性质。我们将部分结果与公开的 Material Project（MP）和 Open Quantum Materials Database（OQMD）的 PBE 计算结果比较以验证计算方法，发现 Matgen 基于实测与计算带隙性质均达到相同计算精度。基于我们综合数据集的计算性质，我们通过近期开发的通信消息传递神经网络（CMPNN）框架构建了一种新的基于图的深度学习模型，即 CrystalNet。该模型被证明优于其他最先进的预测模型。在 1716 个实验带隙值上的进一步微调（CrystalNet-TL）取得了优异性能，独立测试平均绝对误差（MAE）为 0.77 eV，优于纯 PBE（1.14~1.45 eV）。此外，该模型被证明适用于假设材料，以高精度量子力学（QM）方法 HSE 的计算为参照 MAE 为 0.77 eV，优于 PBE（MAE=1.13eV）。我们还将材料结构、PBE 计算性质及 CrystalNet 模型公开于 https://matgen.nscc-gz.cn。
引用
@article{arxiv.2112.14429,
title = {Leveraging Large-scale Computational Database and Deep Learning for Accurate Prediction of Material Properties},
author = {Pin Chen and Jianwen Chen and Hui Yan and Qing Mo and Zexin Xu and Jinyu Liu and Wenqing Zhang and Yuedong Yang and Yutong Lu},
journal= {arXiv preprint arXiv:2112.14429},
year = {2021}
}