利用对称标记图作为与原子位置无关的 descriptors 预测材料性质
材料科学
2019-10-16 v3 机器学习
摘要
计算材料筛选研究需要快速计算数千种材料的性质。这些计算常借助密度泛函理论（DFT）完成，但所需的计算机时间限制了所研究的材料空间。因此，开发用于预测 DFT 计算性质的机器学习模型目前备受关注。对于\emph{新}材料而言，一个特殊挑战是原子位置通常未知。我们提出了一种基于 Voronoi 商图和局域对称性分类、无需原子位置详细信息的机器学习模型，用于预测 DFT 计算的形成能。该模型实现为消息传递神经网络，并在 Open Quantum Materials Database（OQMD）与 Materials Project 数据库上进行了测试。测试平均绝对误差在 OQMD 数据库上为 20 meV，在 Materials Project 数据库上为 40 meV。在一个包含 5976 种 ABSe 硒化物、与 OQMD 训练集重叠极小的数据集上，考察了在真实计算筛选场景下的预测可能性。先在 OQMD 上预训练，再于 100 种硒化物上训练，所得硒化物形成能的平均绝对误差低于 0.1 eV。
引用
@article{arxiv.1905.06048,
title = {Materials property prediction using symmetry-labeled graphs as atomic-position independent descriptors},
author = {Peter Bjørn Jørgensen and Estefanía Garijo del Río and Mikkel N. Schmidt and Karsten Wedel Jacobsen},
journal= {arXiv preprint arXiv:1905.06048},
year = {2019}
}
备注
14 pages including references and 13 figures