机构名称：
¥ 1.0
机器学习在材料设计、发现和属性预测方面表现出了强大的能力。然而，尽管机器学习在预测离散属性方面取得了成功，但连续属性预测仍然存在挑战。由于晶体对称性的考虑和数据稀缺，晶体固体的挑战更加严峻。这里，仅使用原子种类和位置作为输入来演示声子态密度 (DOS) 的直接预测。应用欧几里得神经网络，其构造等同于 3D 旋转、平移和反转，从而捕捉完整的晶体对称性，并使用约 10 3 个示例的小型训练集（包含超过 64 种原子类型）实现高质量预测。预测模型再现了实验数据的关键特征，甚至可以推广到具有看不见元素的材料，并且自然适合有效预测合金系统而无需额外的计算成本。通过预测大量高声子比热容材料，证明了该网络的潜力。该工作表明了一种探索材料声子结构的有效方法，并可进一步快速筛选高性能储热材料和声子介导的超导体。
利用欧几里得神经网络直接预测声子态密度
主要关键词
相关文件推荐
