半监督生成方法用于化学无序化合物中的点缺陷形成：以铀钚混合氧化物为例
无序系统与神经网络
2022-11-29 v2
摘要
机器学习方法如今在材料科学领域已普遍使用。例如，它们可辅助优化新材料的理化性质，或有助于表征高度复杂的化学化合物。一个尤其具有挑战性的问题出现在化学无序固溶体的建模中，其某些性质依赖于化学物种在晶格中的分布。铀钚混合氧化物核燃料的缺陷性质即属此例。可能的构型数量极其庞大，若采用直接采样处理，该问题将变得难以解决。因此我们提出一种基于生成建模的机器学习方法，以优化对这一巨大构型空间的探索。应用基于混合密度网络（Mixture Density Network）的概率半监督方法来估算(U, Pu)O2中热缺陷的浓度。我们表明，这种基于预测缺陷形成能态密度的方法，相比文献中其他可用方法在计算上要高效得多。
引用
@article{arxiv.2211.12086,
title = {Semi-supervised generative approach to point-defect formation in chemically disordered compounds: application to uranium-plutonium mixed oxides},
author = {Maciej J. Karcz and Luca Messina and Eiji Kawasaki and Serenah Rajaonson and Didier Bathellier and Emeric Bourasseau},
journal= {arXiv preprint arXiv:2211.12086},
year = {2022}
}
备注
The performed calculations require re-verification