机器学习在材料性质预测中的运用

• 作 者: 提磊 吴思璇 李斌 石宇衡 宋紫菀 缪子隆 施智祥
• 机 构: 南京邮电大学电子与光学工程学院,南京邮电大学理学院,南京邮电大学理学院,江苏省新能源技术工程实验室,东南大学物理学院
• 出 处: 凝聚态物理学进展
• 发表日期: 2020年2期
• 关键词: 晶格结构 机器学习 高通量计算
• 基金项目: 国家自然科学基金面上项目(批准号:11674054)、国家自然科学基金青年科学基金(批准号:11504182)、南京邮电大学校级科研基金资助项目(批准号:NY219087,NY220038)和南京大学固体微结构物理国家重点实验室开放项目资助的课题(批准号:M32025)

本文采用机器学习算法对晶体的生成焓的预测进行了研究。利用由多个神经层组成的深度神经网络(DNN)模型学习数据间的关系,对深度学习模型在材料结生成焓的预测做了深入的研究和讨论。通过对开放量子材料数据库(OQMD)中275,778种化合物的生成焓参数进行学习,建立了深度学习多层全连接网络,并用来预测未知晶体材料的生成焓。优化后预测模型的精度达到了0.075 eV/atom,达到了量子力学软件的计算精度。