用于表征材料表面的新型机器学习模型

发布时间：2024-05-13 17:21:32 栏目：精选知识

导读 具有优异性能的新型材料的设计和开发需要对其原子和电子结构进行全面分析。电子能量参数，例如电离势 (IP)(将电子从价带最大值移出所需的...

具有优异性能的新型材料的设计和开发需要对其原子和电子结构进行全面分析。电子能量参数，例如电离势 (IP)(将电子从价带最大值移出所需的能量)和电子亲和力 (EA)(电子附着到导带最小值时释放的能量)揭示了重要的信息有关半导体、绝缘体和电介质表面电子能带结构的信息。对此类非金属材料中 IP 和 EA 的准确估计可以表明它们作为光敏设备和光电器件中的功能表面和界面的适用性。



此外，IP 和 EA 很大程度上取决于表面结构，这为其复杂的量化过程增加了另一个维度。 IP 和 EA 的传统计算涉及使用精确的第一原理计算，其中体系统和表面系统分别进行量化。这一耗时的过程无法量化许多表面的 IP 和 EA，因此需要使用计算效率高的方法。

为了解决影响非金属固体 IP 和 EA 定量的广泛问题，由 Fumiyasu Oba 教授领导的东京工业大学 (Tokyo Tech) 科学家团队将重点转向机器学习 (ML)。他们的研究成果发表在《美国化学会杂志》上。

Oba 教授分享了当前研究背后的动机，“近年来，机器学习在材料科学研究中获得了广泛关注。基于机器学习技术虚拟筛选材料的能力是探索具有优异性能的新型材料的一种非常有效的方法。此外，使用准确的理论计算训练大型数据集的能力可以成功预测重要的表面特征及其功能含义。”

研究人员采用人工神经网络开发回归模型，将原子位置的平滑重叠 (SOAP) 纳入数值输入数据。他们的模型通过使用块状晶体结构和表面终止平面的信息，准确有效地预测了二元氧化物表面的 IP 和 EA。

此外，基于机器学习的预测模型可以“迁移学习”，在这种情况下，可以使为特定目的开发的模型合并更新的数据集并重新应用于其他任务。科学家们通过开发“可学习”的 SOAP，在模型中纳入了多种阳离子的影响，并使用迁移学习预测了三元氧化物的 IP 和 EA。

Oba 教授最后表示：“我们的模型不仅限于预测氧化物的表面性质，还可以扩展到研究其他化合物及其性质。”