通过 Wyckoff 增强迁移学习的无机材料多属性导向生成设计
材料科学
2025-03-24 v1 计算物理
摘要
加速材料发现是推动能源转换、储能和催化等领域发展的迫切需求。属性导向的生成设计已成为一种变革性的方法，用于在广阔且复杂的搜索空间中快速发现具有多个理想属性的新型功能无机材料。然而，这一方法面临两个主要挑战：功能属性的数据稀缺以及平衡竞争任务所需的多目标优化。为了克服这些限制并提高 site symmetry-compliant crystal generation 的能力（超越 P1 转移对称性），我们提出了一种多属性导向的生成框架，集成了 Wyckoff 位置基于数据增强和迁移学习。该框架有效处理稀疏和小型功能数据集，使能够在目标空间群、带隙和形成能的条件下，同时生成新的稳定材料。通过该方法，我们在四方、三角和立方系统中识别出了 previously unknown 的热力学和晶格动力学稳定的半导体，其带隙范围为 0.13 到 2.20 eV，经密子力学（DFT）计算验证。此外，我们使用 DFT 评估了其热电描述符，表明其可能适用于热电应用。我们相信，该集成框架代表了无机材料生成设计的重要进步。
引用
@article{arxiv.2503.16784,
title = {Multi-property directed generative design of inorganic materials through Wyckoff-augmented transfer learning},
author = {Shuya Yamazaki and Wei Nong and Ruiming Zhu and Kostya S. Novoselov and Andrey Ustyuzhanin and Kedar Hippalgaonkar},
journal= {arXiv preprint arXiv:2503.16784},
year = {2025}
}