利用原子线图神经网络（ALIGNN）快速预测声子结构与性质
材料科学
2022-07-27 v1
摘要
声子态密度（DOS）概括了结构所支持的晶格振动模式，并提供关于材料稳定性、热力学常数和热传输系数的丰富信息。在此，我们提出一种原子线图神经网络（ALIGNN）模型，用于预测声子态密度及衍生的热学与热力学性质。该模型在 JARVIS-DFT（Joint Automated Repository for Various Integrated Simulations: Density Functional Theory）数据库中超过 14,000 条声子谱数据上训练。模型预测被证明能捕捉声子态密度的谱特征，有效分类动力学稳定性，并准确预测由 DOS 衍生的热学与热力学性质，包括热容 、振动熵 和同位素声子散射率 。与对这些材料性质的直接深度学习预测以及基于声子 DOS 解析简化（包括德拜或 Born-von Karman 模型）的预测相比，DOS 介导的 ALIGNN 模型提供了更优的预测。最后，ALIGNN 模型被用于预测 JARVIS-DFT 数据库中约 40,000 种额外材料的声子谱与性质，并尽可能与其他开源高通量 DFT 声子数据库进行了验证。
引用
@article{arxiv.2207.12510,
title = {Rapid Prediction of Phonon Structure and Properties using an Atomistic Line Graph Neural Network (ALIGNN)},
author = {Ramya Gurunathan and Kamal Choudhary and Francesca Tavazza},
journal= {arXiv preprint arXiv:2207.12510},
year = {2022}
}