机构名称：
¥ 1.0
虽然实验和 DFT 计算一直是了解晶体材料化学和物理特性的主要手段，但实验成本高昂，DFT 计算耗时长，且与实验结果存在很大差异。目前，基于 DFT 计算的预测模型为进一步进行 DFT 计算和实验的材料候选物提供了一种快速筛选方法；然而，此类模型继承了基于 DFT 的训练数据的巨大差异。在这里，我们展示了如何将 Al 与 DFT 结合使用，通过专注于预测“给定材料结构和成分的材料形成能”这一关键材料科学任务，比 DFT 本身更准确地计算材料特性。在包含 137 个条目的实验保留测试集上，Al 可以根据材料结构和成分预测形成能，平均绝对误差 (MAE) 为 0.064 eV/atom；将其与 DFT 计算进行比较，我们首次发现 Al 在同一任务上的表现显著优于 DFT 计算（差异 > 0.076 eV/atom）。
利用人工智能更接近实验级材料性能预测
主要关键词
相关文件推荐
