基于晶体图神经网络的替代式合金化
材料科学
2023-06-21 v1 无序系统与神经网络
统计力学
机器学习
数学物理
math.MP
摘要
材料发现，尤其是针对极端工况应用的材料，需要大量测试，这自然限制了对海量可能成分的探究能力。机器学习（ML）如今在系统性推进这一工作中已确立稳固地位。日益增多的精确 DFT 数据为新 ML 模型的训练与测试提供了坚实基础。传统模型依赖静态描述符，通常仅适用于有限类别的体系，而图神经网络（GNNs）的灵活性允许直接在图（如晶体构成的图）上学习表示。我们利用晶体图神经网络（CGNN），通过编码原子（节点/顶点）、键（边）和全局状态属性的图，以 DFT 级别的精度预测晶体性质。本工作中，我们旨在测试 CGNN MegNet 框架预测模型此前未见体系若干性质的能力，这些体系通过在训练集所含块体晶体中引入替代缺陷获得。我们进行 DFT 验证以评估其对形成能和结构特征（如弹性模量）的预测精度。利用 CGNN，可识别合金发现中有前景的路径。
引用
@article{arxiv.2306.10766,
title = {Substitutional Alloying Using Crystal Graph Neural Networks},
author = {Dario Massa and Daniel Cieśliński and Amirhossein Naghdi and Stefanos Papanikolaou},
journal= {arXiv preprint arXiv:2306.10766},
year = {2023}
}
备注
34 pages, 14 figures, Supplementary Material