MATGANIP：利用生成对抗网络学习发现钙钛矿中的结构-性能关系
无序系统与神经网络
2019-10-22 v1 计算物理
摘要
利用人工神经网络加速材料设计因其巨大潜力而受到更多关注。在以往工作中，已开发了一些材料信息工具以推动最先进材料的工业化，例如 Materials Project、AFlow 和开放量子材料数据库。此外，在材料领域还需要更多努力以实现人工通用智能。在我们的工作中，我们设计了名为 MATGANIP 的神经网络，其将生成对抗网络、图网络、卷积神经网络和长短期记忆的组合应用于钙钛矿材料。我们将其用于建立结构-性能关系，其中所训练的性能包括：计算几何性质——容差因子；以及量子理论的基态性质——真空能。此外，关于 ABX3 钙钛矿的数据集用于容差因子的学习，将其容差因子的功能扩展至无序原子排布的结构识别；另一关于密度泛函理论（DFT）计算结果的数据集用于量子理论的基态能，以获得比类似工作中 DFT 计算结果的训练更精确的结果。在 DFT 数据集的训练任务中，我们采用直观准则评估其性能：平均绝对误差（MAE）小于 0.3 meV/atom，平均绝对误差率（MAER）小于 0.01%。这些结果证明了我们的 MATGANIP 在建立材料结构与其性能关系方面的潜在能力。值得注意的是，它适用于涉及大量可能结构及其性能的一些场景，例如混合原子的无机钙钛矿结构相变中的原子排布。
引用
@article{arxiv.1910.09003,
title = {MATGANIP: Learning to Discover the Structure-Property Relationship in Perovskites with Generative Adversarial Networks},
author = {Junjie Hu and Mu Li and Peng Gao},
journal= {arXiv preprint arXiv:1910.09003},
year = {2019}
}