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 3 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 0 生成海报 相关推荐 支春义&范俊,最新Chem! 2024年2月22日 AEM:六丁基环己烷-1,2,3,4,5,6-六亚胺添加剂辅助酯类电解质实现4.7V高稳定锂金属电池 2023年11月22日 催化顶刊集锦:Nature子刊.、Angew.、JACS、ACS Catalysis、AFM、Small等成果 2023年10月9日 王定胜/陈伟/牛淑文Angew.:创纪录!Ru1-NiCoP助力肼氧化辅助自供电制氢 2023年10月2日 上硅所黄富强,最新AEM!钠电快充新进展 2024年1月11日 港理工张标AM:基于抗疲劳水凝胶电解质的全柔性锌离子电池 2023年10月5日 发表回复 请登录后评论...登录后才能评论 提交