基于机器学习势能景观预测固体中离子导电性
材料科学
2025-05-21 v2 机器学习
摘要
发现新的超导体材料对于推动固态电池发展至关重要，后者相较于传统锂离子电池的液体电解质在能量密度和安全性方面具有优势。传统的计算方法资源消耗大且难以扩展。最近，基于等变图神经网络开发了通用的原子势能模型，这些模型是在大量第一性原理力和能量计算的数据集上训练的。通过将其作为传统评估离子导电性方法（如分子动力学或 nudged elastic band 技术）的基础，可实现显著的计算优势。然而，模型在此类计算中出现的多样化原子结构上的推理泛化误差可能损害结果的可靠性。本文提出了一种通过分析通用原子势能实现快速可靠筛选导电性材料的方法。该方法包含一组启发式结构描述子，有效地利用了底层模型的丰富知识，同时要求模型具备最小的泛化能力。使用这些描述子，我们对材料数据库中的锂含量材料按其预期离子导电性进行排序。其中十个最高排名的材料中，有八个在室温下经第一性原理计算确认为超导体。值得注意的是，我们的方法相对于由机器学习势能驱动的分子动力学实现了约 50 倍的加速速度，相对于第一性原理分子动力学快至少 3000 倍。
引用
@article{arxiv.2411.06804,
title = {Predicting ionic conductivity in solids from the machine-learned potential energy landscape},
author = {Artem Maevskiy and Alexandra Carvalho and Emil Sataev and Volha Turchyna and Keian Noori and Aleksandr Rodin and A. H. Castro Neto and Andrey Ustyuzhanin},
journal= {arXiv preprint arXiv:2411.06804},
year = {2025}
}
备注
Larger-scale AIMD validation of our predictions; minor text updates. Version accepted for publication in Phys. Rev. Research