机构名称：
¥ 1.0
摘要材料信息学的萌芽领域与向人工智能转变以发现新的固态化合物。晶体学和计算数据存储库的稳定扩展为开发能够预测物理特性的数据驱动模型的阶段奠定了基础。机器学习方法，特别是已经显示出通过筛选晶体结构数据库识别具有与能量相关应用的近乎理想特性的材料的能力。但是，数据引导的发现的示例是全新的，从未报告过的化合物的示例。确定在合成中是否可以访问未知化合物的关键步骤是获得形成能并构建相关的凸壳。幸运的是，通过密度功能理论（DFT）数据存储库已广泛获得此信息，以至于它们可用于开发机器学习模型。在本综述中，我们讨论了开发能够预测形成能量的机器学习模型的特定设计选择，包括控制材料稳定性的热力学数量。我们研究了文献中介绍的几种模型，这些模型涵盖了各种可能的架构和特征集，并发现它们已经成功地发现了新的DFT稳定化合物和指导材料合成。为了扩展对合成固态化学家的机器学习模型的访问，我们还提出了Matlearn。此基于Web的应用程序旨在指导对可能包含热力学无机化合物的区域的组成图探索。最后，我们讨论了机器学习的地层能量的未来，并突出了提高预测能力的机会，从而综合了新的能源相关材料。
材料通过机器学习形成能量
主要关键词
相关文件推荐
