机器学习辅助构建三元凸包图
材料科学
2023-08-31 v1
摘要
在寻找新型金属间三元合金的过程中，大量工作用于进行覆盖广泛成分与结构的第一性原理计算。这些计算对于构建可靠的凸包图至关重要。尽管密度泛函理论（DFT）能对许多体系给出准确预测，但其计算开销限制了对可探测假想相数量的通量。在此，我们展示了如何将机器学习谱邻分析势（SNAP）集成到构建准确三元凸包图的工作流中，并标出利于材料发现的区域。我们的工作流依赖可用的二元合金数据来训练 SNAP 模型并创建三元相的原型。由原型结构生成所有唯一的三元装饰，并用以形成候选化合物池。随后使用 SNAP 对结构进行预弛豫并筛选最有利的原型，再使用 DFT 构建最终相图。如此构建的所提工作流不依赖额外的第一性原理数据来训练机器学习代理模型，并产生 DFT 级别的准确凸包。我们通过研究 Cu-Ag-Au 与 Mo-Ta-W 三元体系展示了其有效性。
引用
@article{arxiv.2308.15907,
title = {Machine-Learning-Assisted Construction of Ternary Convex Hull Diagrams},
author = {Hugo Rossignol and Michail Minotakis and Matteo Cobelli and Stefano Sanvito},
journal= {arXiv preprint arXiv:2308.15907},
year = {2023}
}
备注
14 pages, 9 figures