通过物理增强的积极学习加速发现超难压缩的超硬材料

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
• 固态物理 固态物理

背景情况:

• 发现超难压缩和超硬材料对于先进的应用至关重要.
• 密度函数理论 (DFT) 的高计算成本限制了对广化学空间的选.
• 现有的方法在识别极端性能材料方面,难以实现可扩展性和效率.

研究的目的:

• 开发一个计算高效的机器学习框架,用于发现超难压缩和超硬材料.
• 将基于物理的描述符与机器学习集成在一起,以准确预测材料属性.
• 加速识别具有极端机械性能的新材料.

主要方法:

• 集成晶体图卷积神经网络 (CGCNN) 与基于物理的原子刚性描述器.
• 采用主动学习来有效选超过270万个无机晶体.
• 使用DFT来严格验证预测的材料特性.

主要成果:

• 确定了632种超不压缩材料 (散装模量> 400 GPa) 和15种超硬晶体 (维克斯硬度> 40 GPa).
• 超过90%的超难压缩和超过60%的超硬候选人以前没有被描述.
• 发现了结构与性质的关系,将超不压缩性与特定的金属间化合物和超硬性与基于陶的系统联系起来.

结论:

• 物理增强的机器学习框架显著克服了材料发现中的可扩展性障碍.
• 这项研究扩大了已知的超不压缩和超硬材料家族.
• 建立了一个经过验证的,数据驱动的管道,以加快对工业应用的极端性能材料的探索.