Redian新闻
>
Npj Comput. Mater.: “中心-环境”深度迁移学习—快速预测钙钛矿氧化物

Npj Comput. Mater.: “中心-环境”深度迁移学习—快速预测钙钛矿氧化物

科学

海归学者发起的公益学术平台

分享信息,整合资源

交流学术,偶尔风月

通过传统的量子力学计算方法发现新材料可以简化实验合成前的筛选过程,但由于材料组分和结构的巨大潜在组合,系统地探索材料空间面临成本的巨大挑战。在目标材料数据有限的情况下,从其他材料的大型已知数据集中进行跨晶体结构的高效迁移机器学习,成为智能材料设计中的重要实用策略。


Formation energies predicted by the ML with CE features (DNN-CE) and DFT using various datasets.


来自上海大学材料基因组工程研究院的刘轶教授和冯凌燕教授团队,展示了一种结合自主设计的“中心-环境”(CE)特征模型和深度迁移学习方法,来预测钙钛矿氧化物稳定性的高效高通量筛选策略。他们用5329个尖晶石氧化物结构的形成能开发了基于结构信息“中心-环境”(CE)特征的深度神经网络(DNN)源域模型,然后通过学习855个钙钛矿氧化物结构的小数据集对模型参数进行微调,获得了在钙钛矿氧化物目标域中具有良好可迁移性的迁移学习模型。通过迁移学习模型所预测的钙钛矿结构的形成能平均绝对误差(MAE)仅为0.106 eV/atom,优于只使用钙钛矿数据训练模型0.132 eV/atom的MAE。在迁移学习方法的帮助下,他们发现,在大型数据集上训练的 DNN-CE 模型可以迁移应用于不同的晶体结构。结合包含结构信息的“中心-环境”特征和迁移学习方法,可以有效解决小数据集上训练的机器学习(ML)模型精度差和大数据集上训练的ML模型可迁移性差的问题。

General schematic diagram of DNN-CE models and the workflow of transfer learning method in this work.


为构建目标域虚拟样本空间,使用元素周期表中的73种元素代替钙钛矿中的阳离子,生成5329个立方钙钛矿结构。基于迁移学习模型,进一步预测了包含73种元素的5329个潜在钙钛矿结构的形成能。

Crystal structures and constituent elements of spinel oxides and perovskite oxides studied in this work.


结合机器学习预测的形成能和包括容忍因子(0.7 < t ≤ 1.1)和八面体因子(0.45 < μ < 0.7)的结构因子判据,作者预测了1314种潜在的热力学稳定的钙钛矿氧化物。在这些预测的潜在钙钛矿氧化物中,已有144种被实验合成,其他计算工作预测了其中的10种,Materials Project数据库中收录了301种,而另外859种氧化物尚未在文献中报道过。


Statistical distribution of the formation energy of perovskite structures predicted by machine learning and the screening process for stable perovskite structures.


作者的研究结合基于结构信息的“中心-环境”机器学习特征和迁移学习方法,利用现有大数据以较低成本预测新晶体结构,为昂贵的高通量计算筛选材料设计提供了有效的加速策略。预测的新型钙钛矿氧化物为新型钙钛矿实验合成,探索可再生能源和电子材料应用提供了丰富的材料候选平台。


该文近期发表于npj Computational Materials 9:106(2023)英文标题与摘要如下,点击左下角“阅读原文”可以自由获取论文PDF。



Center-environment deep transfer machine learning across crystal structures: from spinel oxides to perovskite oxides


Yihang Li, Ruijie Zhu, Yuanqing Wang, Lingyan Feng & Yi Liu


In data-driven materials design where the target materials have limited data, the transfer machine learning from large known source materials, becomes a demanding strategy especially across different crystal structures. In this work, we proposed a deep transfer learning approach to predict thermodynamically stable perovskite oxides based on a large computational dataset of spinel oxides. The deep neural network (DNN) source domain model with “Center-Environment” (CE) features was first developed using the formation energy of 5329 spinel oxide structures and then was fine-tuned by learning a small dataset of 855 perovskite oxide structures, leading to a transfer learning model with good transferability in the target domain of perovskite oxides. Based on the transferred model, we further predicted the formation energy of potential 5329 perovskite structures with combination of 73 elements. Combining the criteria of formation energy and structure factors including tolerance factor (0.7 < t ≤ 1.1) and octahedron factor (0.45 < μ < 0.7), we predicted 1314 thermodynamically stable perovskite oxides, among which 144 oxides were reported to be synthesized experimentally, 10 oxides were predicted computationally by other literatures, 301 oxides were recorded in the Materials Project database, and 859 oxides have been first reported. Combing with the structure-informed features the transfer machine learning approach in this work takes the advantage of existing data to predict new structures at a lower cost, providing an effective acceleration strategy for the expensive high-throughput computational screening in materials design. The predicted stable novel perovskite oxides serve as a rich platform for exploring potential renewable energy and electronic materials applications.



扩展阅读

 
Npj Comput. Mater.: 知识的力量—数据与知识的正面较量
Npj Comput. Mater.: 狸猫换太子—实现高居里温度
Npj Comput. Mater.: 纵然藏她千百度,暮回首,AI把她全揭露
Npj Comput. Mater.: 基于二维范德华异质结能带调控的平面铁电隧道结
本文系网易新闻·网易号“各有态度”特色内容
媒体转载联系授权请看下方

微信扫码关注该文公众号作者

戳这里提交新闻线索和高质量文章给我们。
相关阅读
Npj Comput. Mater.: 机器学习预测晶格热导率:快!准!Npj Comput. Mater.: 高热电性能—全赫斯勒化合物ACS Energy Lett.: 合成新型SAM用于提高宽带隙钙钛矿和全钙钛矿叠层太阳能电池的效率Npj Comput. Mater.: 金属3D打印质量参差不齐?为你揭开这些关键之谜!Nat. Commun.: 无限层镍氧化物中电荷序的成因Npj Comput. Mater.: 阴离子基团旋转—对锂离子扩散的弱负效应Npj Comput. Mater.: 一叶知秋—材料科学中的小数据机器学习Npj Comput. Mater.: 相场模拟—从微观到宏观地理解和设计合金Npj Comput. Mater.: 超快激光的妙手真可“点石(墨)成金(刚石)”原创《陈寅恪学问之“不古不今”》 其三地中海邮轮行之十南洋理工最新视觉语言模型综述:预训练、迁移学习和知识蒸馏啥都有基于AI和NPU的Codec变革——VPU与NPU的协同创新Npj Comput. Mater.: 自旋极化—非易失电调控Npj Comput. Mater.: 原子间固有的游戏规则—设计人工智能材料Npj Comput. Mater.: 知识的力量—数据与知识的正面较量钙钛矿太阳能电池中的氧化还原反应Npj Comput. Mater.: 高通量计算—助力Heusler功能材料设计Npj Comput. Mater.: 狸猫换太子—实现高居里温度Npj Comput. Mater.: 基于二维范德华异质结能带调控的平面铁电隧道结Npj Comput. Mater.: 通用材料多目标性能协同优化主动学习方法谁是草原土匪 冷明Npj Comput. Mater.: 晶格点缺陷很小,但其可能搅动世界Npj Comput. Mater.: 杂化有机-无机钙钛矿,还能开挂多久?Npj Comput. Mater.: 高兴发团队很不高兴—与电子推推拉拉,成何体统?冷明和他的书《为了你走遍草原》maxsun GeForce GTX 1660 Super Terminator Computer Video GraphicsNpj Comput. Mater.: 一维范德华异质结很迷人,但曲率如何改变电子性质太劳神!南洋理工大学最新视觉语言模型综述:预训练、迁移学习和知识蒸馏啥都有Npj Comput. Mater.: 多相态氧化镓—机器学习势函数的试金石Npj Comput. Mater.: 材料信息学门槛高,AlphaMat带你找门道!​ACL 2023 | ProPETL:一种高效的Parameter-Efficient迁移学习方法立即去医院Npj Comput. Mater.: 新合金设计—样本数据迁移机器学习方Npj Comput. Mater.: 纵然藏她千百度,暮回首,AI把她全揭露!
logo
联系我们隐私协议©2024 redian.news
Redian新闻
Redian.news刊载任何文章,不代表同意其说法或描述,仅为提供更多信息,也不构成任何建议。文章信息的合法性及真实性由其作者负责,与Redian.news及其运营公司无关。欢迎投稿,如发现稿件侵权,或作者不愿在本网发表文章,请版权拥有者通知本网处理。