Predicción de la sintetizabilidad basada en la estructura de los cristales utilizando aprendizaje parcialmente...

Área de la Ciencia:

• Ciencias de los materiales
• Química computacional
• Aprendizaje automático

Sus antecedentes:

• La predicción de la sintetizabilidad de los materiales inorgánicos es crucial para el descubrimiento acelerado de materiales.
• La estabilidad de descomposición termodinámica es un predictor común pero limitado, que a menudo produce demasiados candidatos o materiales metestables que faltan.
• La sintetizabilidad del material es un fenómeno complejo influenciado por factores más allá de la estabilidad termodinámica.

Objetivo del estudio:

• Desarrollar un modelo de aprendizaje automático para cuantificar la probabilidad de síntesis de materiales inorgánicos.
• Mejorar la precisión de la predicción de la sintetizabilidad en comparación con los métodos termodinámicos tradicionales.
• Proporcionar una métrica basada en datos para el diseño racional de materiales y reducir el espacio de exploración experimental.

Principales métodos:

• Implementó un enfoque de aprendizaje parcialmente supervisado utilizando el aprendizaje positivo y sin etiquetas (PU).
• Utilizó una red neuronal convolucional de gráficos como clasificador para generar puntuaciones de semejanza de cristal (CLscore).
• Entrenado y validado el modelo en una gran base de datos de materiales experimentalmente reportados, incluyendo descubrimientos recientes.

Principales resultados:

• El modelo logró una precisión de predicción positiva verdadera del 87.4% en un conjunto de pruebas de 9356 materiales del Proyecto de Materiales.
• La validación en materiales recientemente notificados (2015-2019) mostró una tasa de positivos reales del 86,2%.
• El CLscore captura motivos estructurales para la sintetización más allá de las capacidades de E_hull, con el 71% de los materiales virtuales de puntaje superior sintetizados previamente.

Conclusiones:

• El modelo de aprendizaje automático desarrollado (CLscore) cuantifica efectivamente la sintetizabilidad del material.
• Esta métrica basada en datos mejora significativamente la detección virtual de alto rendimiento y los modelos generativos para el descubrimiento de materiales.
• El CLscore facilita un diseño de materiales más racional al reducir el espacio de búsqueda experimental.