使用潛在信息從首選勢能預測無機材料的介電張量

Concetti Chiave

本研究利用從通用神經網絡勢能模型獲得的多階等變表徵,增強了對介電張量的預測。我們開發了一個等變讀出解碼器,能夠在保持O(3)等變性的同時預測總體、電子和離子介電張量,並將其性能與最先進的算法進行基準測試。通過對材料項目中熱力學穩定材料的虛擬篩選,我們發現了一些有前景的候選材料,包括Cs2Ti(WO4)3(帶隙Eg = 2.93eV,介電常數ε = 180.90)和CsZrCuSe3(各向異性比αr = 121.89)。這些結果證明了我們的模型在預測介電張量方面的準確性,以及其在發現新型介電材料方面的潛力。

Sintesi

本研究提出了一個名為Dielectric Tensor Neural Network(DTNet)的模型,用於預測72種支持元素的無機材料的三種類型的介電張量:電子貢獻(ε∞)、離子貢獻(ε0)和總體(ε)。

通過利用預訓練的PFP模型作為高效且富有表現力的編碼器,我們展示了預訓練的PFP可以處理豐富的高階潛在組成和結構信息,用於張量性質的預測。消融研究表明,來自PFP的潛在原子特徵和鍵特徵都有助於最終的預測。

為了評估DTNet的性能,我們將其與現有方法PaiNN、M3GNet和MatTen在從材料項目獲得的數據集上進行了比較。最後,我們將模型應用於虛擬篩選,以識別高介電材料和高各向異性介電材料。

在高介電材料的篩選中,我們成功地從14,375個候選材料中發現了3個新材料,Cs2Ti(WO4)3、RbNbWO6和Ba2SmTaO6,它們的性能優於訓練集中的任何已知穩定材料。

在高各向異性介電材料的篩選中,我們發現了3個新材料,CsZrCuSe3、SeI2和BaNiO3,它們的各向異性比分別為128.890、96.763和61.026,遠高於訓練集中最高的35.027。

這些結果表明,我們的模型不僅在預測介電張量方面準確,而且在發現具有優異性能的新型介電材料方面也具有很大潛力。

Statistiche

在訓練集中,電子介電常數ε∞的範圍為[1.0, 96.688]。
在訓練集中,離子介電常數ε0的範圍為[0.0, 90.338]。
在訓練集中,總介電常數ε的範圍為[1.155, 98.889]。

Citazioni

無

Approfondimenti chiave tratti da

Dielectric Tensor Prediction for Inorganic Materials Using Latent Information from Preferred Potential

by Zetian Mao, ... alle arxiv.org 09-11-2024

https://arxiv.org/pdf/2405.09052.pdf

Domande più approfondite

如何進一步提高模型在預測稀有元素材料的介電張量方面的準確性?

為了進一步提高模型在預測稀有元素材料的介電張量方面的準確性，可以考慮以下幾個策略：

擴展訓練數據集：增加包含稀有元素的材料數據，特別是那些具有已知介電性質的結構。這可以通過合成新材料或利用現有的計算數據來實現，從而增強模型的學習能力。

增強特徵提取：利用更高階的特徵提取技術，從結構和組成中提取更多的潛在信息。例如，可以考慮使用更深層的圖神經網絡架構，或引入其他類型的特徵，如化學環境的局部性質。

多任務學習：通過多任務學習的方式，同時訓練模型預測多種材料性質（如電子和離子介電常數），以促進模型對稀有元素的理解。這樣可以利用不同性質之間的關聯性來提高預測準確性。

模型集成：使用模型集成技術，將多個不同架構的模型進行組合，以提高預測的穩定性和準確性。這可以通過加權平均或投票機制來實現。

不斷迭代的主動學習：實施主動學習策略，通過不斷選擇最具信息量的樣本進行標註和訓練，從而優化模型的學習過程，特別是在稀有元素的材料上。

除了介電張量,模型是否可以應用於預測其他高階張量性質,如極化率、多極矩和彈性模量?

是的，該模型可以應用於預測其他高階張量性質，如極化率、多極矩和彈性模量。以下是幾個關鍵點：

高階張量性質的相似性：介電張量、極化率和彈性模量等高階張量性質在物理上都涉及材料的微觀結構和原子間相互作用，因此可以利用相似的數據驅動方法進行預測。

模型架構的靈活性：該模型的設計基於等變性圖神經網絡（EGNN），這使得它能夠處理不同類型的張量性質。通過調整模型的輸入和輸出層，可以輕鬆地將其應用於其他高階張量性質的預測。

共享特徵學習：模型可以通過共享特徵學習來捕捉不同高階張量性質之間的關聯性，這樣可以提高預測的準確性和效率。

擴展訓練數據集：通過擴展訓練數據集，包含更多的高階張量性質的樣本，可以進一步提高模型在這些性質上的預測能力。

通用神經網絡勢能模型中蘊含的結構和組成信息是否可以應用於其他材料科學領域,如催化、光電和能源存儲等?

是的，通用神經網絡勢能模型中蘊含的結構和組成信息可以應用於其他材料科學領域，如催化、光電和能源存儲等。具體而言：

催化：在催化領域，材料的結構和組成對其催化性能有著重要影響。通用神經網絡勢能模型可以用來預測催化劑的活性位點和反應機制，從而幫助設計更高效的催化劑。

光電材料：在光電材料的研究中，材料的電子結構和介電性質對其光學性能至關重要。通用模型可以用來預測材料的光學特性，如吸收係數和發光效率，從而促進新型光電材料的開發。

能源存儲：在能源存儲系統中，材料的介電性質和結構特徵對其電池性能和穩定性有直接影響。通用神經網絡勢能模型可以用來預測電池材料的性能，幫助設計更高效的電池系統。

跨領域應用：由於材料科學的多樣性，通用神經網絡勢能模型的靈活性使其能夠適應不同的應用場景，從而在催化、光電和能源存儲等領域中發揮重要作用。這種跨領域的應用潛力使得該模型成為材料科學研究中的一個強大工具。