npj Comput. Mater.: 机器学习加速发现具有超低晶格热导率的四元硫属化物 2023年10月14日 上午11:57 • 未全平台发布, 顶刊 • 阅读 5 具有本征低晶格热导率的新型化合物在基础研究中受到高度追捧,这将有助于设计和发现适用于设备应用的高效材料。高通量(HT)DFT 计算等现代计算方法加速了新化合物的发现,但该方法可能会错过许多迄今未知的稳定化合物。 为此,美国西北大学Chris Wolverton, Cheol Woo Park及Koushik Pal等人设计了一种基于晶体图卷积神经网络(CGCNN)的先进机器学习(ML)模型,用来发现新的四元硫属化物AMM’Q3(A/M/M ‘=碱金属、碱土金属、后过渡金属、镧系元素,Q=硫属元素)。该模型对输入晶体结构的体积(即尺度)不敏感,从而使模型能够在不知道其DFT弛豫体积的情况下更准确地预测假设化合物的性质。 结果表明,材料发现的总体成功率相当高(~11%),作者总共发现了461种可能合成的新型四元硫属化物(包括99 种热力学稳定和362种低能亚稳定化合物)并对4199种独特的AMM’Q3组合物进行DFT计算验证。作者随机选择了14种DFT稳定的半导体和非磁性化合物研究热传输特性,计算表明这些化合物都表现出超低的晶格热导率。 图1. 多目标ML框架的图示 通过分析其中一种化合物KLiZrSe3的谐波和非谐波晶格动力学特性,作者发现该化合物家族中的超低晶格热导率源于 (a)产生低声速的软声学声子分支, (b)出现在低频的声子分支之间的强杂化, (c)在格林乃森参数的高值中可见的较大声子非谐性。 此外,低能量几乎无色散的光学声子分支的存在也造成载热声子寿命缩短,进而导致非常低的晶格热导率。这项工作能够鼓励基于图神经网络的ML模型的应用和开发,以有效地发现新材料。虽然这项研究绕过了输入晶体结构的DFT弛豫体积信息,但必须设计一个可解释弛豫期间晶体结构在应力和离子位置的ML模型。 总之,这项研究证明了尺度不变ML模型在预测新化合物方面的高效性,并为这些新化合物提供了实验研究机会。 图2. 预测的稳定化合物的热传输特性 Scale-invariant machine-learning model accelerates the discovery of quaternary chalcogenides with ultralow lattice thermal conductivity, npj Computational Materials 2022. DOI: 10.1038/s41524-022-00732-8 原创文章,作者:v-suan,如若转载,请注明来源华算科技,注明出处:https://www.v-suan.com/index.php/2023/10/14/c8c4622a4f/ 机器学习 赞 (0) 0 生成海报 相关推荐 苏大/港科大ACS Nano: 构建层状亚稳相钴氧化物,加速碱性OER反应动力学 2024年2月29日 清华深研院周光敏AEM:高性能准固态电池 2024年1月6日 百岁诺奖得主Goodenough最新AFM:钠金属电池用超薄复合聚合物电解质膜 2022年12月12日 CM: 机器学习+自然语言处理总结面向数据的通用实验设计方法 2023年10月15日 南开王晓晨Angew. 手性螺环双环双硼催化喹啉不对称氢化反应 2023年11月27日 再进一步!崔屹创立的公司获300万美元订单! 2023年10月14日