利用三维深度卷积神经网络从电子电荷密度预测材料弹性性质
材料科学
2020-10-22 v2 计算工程、金融与科学
机器学习
神经与进化计算
计算物理
摘要
材料表示在基于机器学习的材料性质预测与新材发现中起着关键作用。目前图表示与三维体素表示方法均基于晶体结构的异质元素。此处,我们提出使用电子电荷密度(ECD)作为材料性质预测的通用统一三维描述符,其优势在于与材料的物理和化学性质具有密切关系。我们开发了基于 ECD 的三维卷积神经网络(CNNs)用于预测材料弹性性质,其中 CNNs 可通过多次卷积与池化操作学习有效的层次化特征。在 2,170 种 Fm-3m 面心立方(FCC)材料上的广泛基准实验表明,我们基于 ECD 的 CNNs 能取得良好的弹性预测性能。特别地,我们基于元素 Magpie 特征与 ECD 描述符融合的 CNN 模型取得了最佳的 5 折交叉验证性能。更重要的是,我们表明当在非冗余数据集上评估且测试样本周围训练样本邻点很少时,我们基于 ECD 的 CNN 模型能取得显著更好的外推性能。作为额外验证,我们在 329 种 Fm-3m 空间群材料上通过将预测值与 DFT 计算值比较来评估模型的预测性能,显示我们的模型对体模量的预测能力优于剪切模量。由于 ECD 的统一表示能力,预计我们基于 ECD 的 CNN 方法也可用于预测晶态材料的其他物理与化学性质。
引用
@article{arxiv.2003.13425,
title = {Predicting Elastic Properties of Materials from Electronic Charge Density Using 3D Deep Convolutional Neural Networks},
author = {Yong Zhao and Kunpeng Yuan and Yinqiao Liu and Steph-Yves Louis and Ming Hu and Jianjun Hu},
journal= {arXiv preprint arXiv:2003.13425},
year = {2020}
}
备注
15 pages; 5 figures