从晶体图与材料描述符预测热电性质——在功能材料中的首次应用
计算物理
2018-11-16 v1 材料科学
机器学习
摘要
我们引入晶体图卷积神经网络（CGCNN）、全连接神经网络（FCNN）和XGBoost来预测热电性质。CGCNN的数据集独立于密度泛函理论（DFT），仅依赖于晶体和原子信息，而FCNN的数据集基于从Materialsproject.org挖掘的丰富属性列表。结果表明，优化后的FCNN为三层深度，能够比CGCNN（或XGBoost）更好地预测与散射时间无关的热电功率因子，这表明部分从DFT获得的、来自材料科学知识的成键与态密度描述符对于预测功能性质至关重要。
引用
@article{arxiv.1811.06219,
title = {Predicting thermoelectric properties from crystal graphs and material descriptors - first application for functional materials},
author = {Leo Laugier and Daniil Bash and Jose Recatala and Hong Kuan Ng and Savitha Ramasamy and Chuan-Sheng Foo and Vijay R Chandrasekhar and Kedar Hippalgaonkar},
journal= {arXiv preprint arXiv:1811.06219},
year = {2018}
}