通过机器学习驱动的演化结构搜索预测超硬材料
材料科学
2019-06-17 v1
摘要
我们发现，对于广泛材料的实验维氏硬度 ，与通过三种宏观硬度模型计算的结果具有良好的一致性，这些模型使用了由以下途径获得的剪切模量和/或体积模量： 通过第一性原理经由 AFLOW-AEL（AFLOW Automatic Elastic Library）计算，以及 在 AFLOW 库中的材料上训练的机器学习（ML）模型。由于 值可以快速估算，它们可以与演化搜索相结合以预测稳定的超硬材料。该方法在 XtalOpt 演化算法中得以实现。每个晶体被弛豫至最近的局部极小值，并通过 Teter 发现的其与剪切模量的线性关系计算其维氏硬度。能量/焓与 均被用于确定结构的适应度。该实现被应用于碳系统，并发现了 43 个新的超硬相。拓扑分析表明，被估计略硬于金刚石的相包含相当比例的金刚石和/或朗斯代尔石。
引用
@article{arxiv.1906.05886,
title = {Predicting Superhard Materials via a Machine Learning Informed Evolutionary Structure Search},
author = {Patrick Avery and Xiaoyu Wang and Davide M. Proserpio and Cormac Toher and Corey Oses and Eric Gossett and Stefano Curtarolo and Eva Zurek},
journal= {arXiv preprint arXiv:1906.05886},
year = {2019}
}