基于低维片段描述器的无机材料性质预测

近期，机器学习在材料设计与发现中发挥了作用，加速了创新材料的发现，这些材料具有非凡的性能，而这些性能否则需要繁琐且耗时的试错过程。本研究提出了一种简单而强大的片段基描述器——低维片段描述器（LDFD），可与机器学习模型协同工作，用于预测广泛无机材料体系的重要性质，如钙钛矿氧化物、金属卤化物钙钛矿、合金、半导体及其他材料体系，还可扩展到界面。预测性质时，描述器的生成仅需要材料的结构公式，若数据集中存在相同结构，还可作为额外输入。描述器的生成涉及 few 步骤，对公式进行二进制编码和降维，便于实现和预测。为评估描述器性能，比较了六个已知数据集（最多包含八个成分），并应用于钙钛矿和半导体的带隙、磁性合金的晶格常数、超硬合金的体积/剪切模量、超导体的临界温度、钙钛矿氧化物的形成焓和凸面能。本研究利用了成熟的 Python 基于数据挖掘工具 matminer 进行数据收集。预测准确率等同于训练数据的质量，显示出与前期研究相当的有效性。该方法应用于可划分为层状或晶体结构且具有多个原子位点的任何无机材料体系，随着数据挖掘的进步，随着更大规模且无偏数据集的积累，性能应会进一步提升。