相关实验视频
Updated: Jul 27, 2025
06:45
Negative Additive Manufacturing of Complex Shaped Boron Carbides
Published on: September 18, 2018
8.7K
在小型数据集上通过机器学习加速发现过渡金属化物
Yuqi Sun1, Guanjie Wang2, Kaiqi Li1
1School of Materials Science and Engineering, Beihang University, Beijing 100191, China.
ACS applied materials & interfaces
|June 7, 2023
概括
研究人员使用小型数据集开发了一种机器学习 (ML) 方法,以加速发现稳定的三元过渡金属化物 (MAB). 这种方法有效地预测了材料的稳定性,为高级应用确定了新的MAB候选者.
科学领域:
- 材料科学 材料科学 材料科学
- 计算材料科学科学 计算材料科学
- 在材料发现领域的机器学习
背景情况:
- 发现像三元过渡金属化物 (MABs) 这样的新材料至关重要,但由于繁的传统方法而受到阻碍.
- 预测材料稳定性和结构稳定性关系需要大量的实验和计算努力.
- 加快识别有前途的MAB候选者对于推进材料科学至关重要.
研究的目的:
- 开发和应用小型数据集机器学习 (ML) 方法,以有效预测MAB稳定性.
- 为了加速发现新的三元过渡金属化物 (MAB) 化合物.
- 使用描述符,建立分解能和热力学稳定性之间的定量关系.
主要方法:
- 使用ab initio计算来生成用于训练机器学习模型的数据集.
- 开发了三个强大的神经网络来预测分解能 (ΔHd) 和评估热力学稳定性.
- 使用组合和结构描述符来解开 ΔHd 与稳定性之间的关系.
主要成果:
- 确定了三个稳定的六角形M2AB2化合物 (Nb2PB2,Nb2AsB2,Zr2SB2),具有负的分解能.
- 发现了75个具有分解能低于70 meV/原子的转移稳定的MAB.
- 通过动态稳定性和机械性能的初始计算验证了ML模型预测.
结论:
- 开发的ML方法有效地加速了使用有限数据发现新化合物的过程.
- 成功扩大已知的MAB相家族,包括VA和VIA组的过渡金属.
- 证明了ML模型在预测材料稳定性和性能方面的可靠性和效率.
