Detección de anomalías impulsada por el cribado de la estabilidad termodinámica a partir de descriptores de...

Área de la Ciencia:

• Ciencia de los materiales Ciencia de los materiales.
• Materiales computacionales Ciencia de la ciencia.
• Aprendizaje automático en materiales.

Sus antecedentes:

• La informática de materiales a menudo pasa por alto nuevas composiciones que no están presentes en las bases de datos existentes.
• El descubrimiento de nuevos materiales requiere métodos eficientes para explorar vastos espacios de composición.

Objetivo del estudio:

• Desarrollar un modelo de detección de anomalías basado en la composición para predecir la sintetizabilidad del material.
• Identificar las características clave que influyen en la estabilidad y la formación potencial de nuevos materiales.

Principales métodos:

• Se entrenó un modelo de autoencoder en compuestos inorgánicos estables y casi estables de la base de datos del Proyecto de Materiales.
• El error de reconstrucción (error de la raíz media cuadrada - RMSE) se utilizó como una puntuación de anomalía.
• El análisis de la importancia de las características se realizó en pares de elementos y sus configuraciones electrónicas (producto spdf).

Principales resultados:

• El RMSE del modelo se correlacionó con la inestabilidad termodinámica (energía por encima del casco).
• Las desviaciones de la neutralidad de carga en óxidos ficticios aumentaron el RMSE, incluso sin información explícita de carga.
• Los pares de elementos, particularmente su producto spdf, fueron predictores clave de RMSE, con algunos pares como el Tantalum (Ta) que muestran desviaciones consistentes.

Conclusiones:

• Los autoencoders de solo composición pueden predecir la sintetizabilidad del material e identificar posibles inestabilidades.
• Las propiedades de los pares de elementos y las configuraciones electrónicas influyen significativamente en la formación del material.
• El modelo proporciona un marco para explorar composiciones no registradas en informática de materiales.