橡树岭实验室Nature子刊: 基于可逆神经网络的二维材料逆设计

根据需要轻松设计具有所选功能特性的新型材料的能力代表了材料发现的下一个前沿。然而，以计算上易于处理的方式彻底有效地采样整个设计空间仍然是一项极具挑战性的任务。

在此，美国橡树岭国家实验室Victor Fung, Jiaxin Zhang等人提出了一个逆向设计框架（MatDesINNe），它利用可逆神经网络（INN）来映射设计空间和目标属性之间的正向和反向过程。这种方法可用于为指定属性生成候选材料，从而满足逆向设计这一备受追捧的目标。

首先使用DFT在该空间内生成训练数据采样，使用数据来训练INN以获得正向和反向映射，然后逆向评估经过训练的网络以生成给定目标属性的样本。向下选择的适应度标准将样本限制为那些接近所需属性且参数在训练数据分布内的样本，但这可以进一步扩展以包括额外的标准，例如需要的实验可行性。

然后通过具有自动微分的梯度下降对选定的样本进行优化，这些最终优化的样本可以通过DFT进一步验证。

图1. 材料设计空间和数据分布

作者将 MatDesINNe 应用于单层MoS₂的带隙工程问题，其中设计参数是施加的应变和外部电场，目标属性是电子带隙 (Eg)。应变可用于单调地调整带隙，这可以通过各种方法在实验上完成，包括弯曲或拉伸基板、热膨胀或通过从原子力显微镜尖端施加局部应力。

类似地，外部电场也可用于进一步调节由于带弯曲引起的带隙，并提供不受材料弹性强度限制的额外自由度。自由调整带隙的能力使材料能够针对目标应用进行设计，包括光催化、电子、传感器和神经形态设备等。

此外，作者进一步扩展了这种生成能力，以提供有关MoS₂中金属-绝缘体转变的见解，这对于忆阻神经形态应用等很重要。本文提出的这种方法是通用的，可以直接扩展到其他材料及其相应的设计空间和目标属性。

图2. DFT计算验证模型性能

Inverse design of two-dimensional materials with invertible neural networks, npj Computational Materials 2021. DOI: 10.1038/s41524-021-00670-x

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/2023/10/15/22127a120d/