利用图神经网络精确预测材料中的构型无序特性
材料科学
2024-01-31 v1
摘要
化合物材料的构型无序特性（如构型熵和有序-无序相变温度）的预测依赖于对构型能量的高效且精确的评估。以往的团簇展开方法不适用于构型复杂的材料体系，包括那些存在原子畸变和长程有序的体系。在本工作中，我们提出利用图神经网络（GNNs）的通用表达能力来高效评估构型能量，并展示了一个结合基于注意力的GNN和蒙特卡洛模拟的工作流程，用于计算无序特性。以无和有局部原子畸变的面心四方金铜合金数据集为例，我们证明了所提出的数据驱动框架能够预测接近实验值的相变温度。我们还阐明了构型间能量偏差的方差控制着无序特性预测的准确性，并且可以作为训练和选择GNN模型时的目标损失函数。这项工作为加速设计构型复杂的功能材料体系迈出了基础性的一步，迈向了一种新的数据驱动范式。
引用
@article{arxiv.2401.16565,
title = {Towards Accurate Prediction of Configurational Disorder Properties in Materials using Graph Neural Networks},
author = {Zhenyao Fang and Qimin Yan},
journal= {arXiv preprint arXiv:2401.16565},
year = {2024}
}