MagGen：一种图辅助的深度生成模型用于稳定永磁体的逆向设计
材料科学
2023-11-23 v1
摘要
本文报道了面向具有明确目标特性的材料逆向设计的一项重要进展。我们开发了一种基于变分自编码器（VAE）的深度生成模型，同时以两个目标特性为条件，用于逆向设计稳定磁性材料。利用图论基于相似性指数的思想，分析了该模型物理信息、属性嵌入潜空间的结构。结果表明，该图思想有助于生成可能满足目标特性的新材料。据目标学习分支的预测，约 96% 的生成材料满足目标特性，相较未以目标特性条件化 VAE 潜空间、或未考虑父材料连通性（通过扰动父材料生成新材料）的方法有巨大改进——在这类模型中，满足目标的材料比例可低至约 5%。这一出色成果通过使用一种称为可逆实空间晶体学表示（IRCR）的简单纯实空间表示实现，该表示可直接从材料 cif 文件中读取。最后通过对随机选取的材料子集进行 DFT 计算验证了模型预测。使用 IRCR 的当前模型性能与早期报道的模型相当或更优。这一名为 MagGen 的磁性材料生成模型被应用于设计无稀土永磁体问题，并取得了有前景的结果。
引用
@article{arxiv.2311.13328,
title = {MagGen: A graph aided deep generative model for inverse design of stable, permanent magnets},
author = {Sourav Mal and Gaurav Seal and Prasenjit Sen},
journal= {arXiv preprint arXiv:2311.13328},
year = {2023}
}