加快低k介电材料的发现:从图形机器学习到合成
Zhao-Chen Xi1, Xin Wang1, Chang-Hao Wang1
1Multifunctional Materials and Structures, Key Laboratory of the Ministry of Education & International Center for Dielectric Research, School of Electronic Science and Engineering, Xi'an Jiaotong University, Xi'an 710049, P.R. China.
ACS applied materials & interfaces
|July 1, 2025
概括
一个新的图形神经网络 (Res-GCN) 模型加速了低允许度介电材料的发现. 这种机器学习方法显著提高了准确性,并减少了寻找电子新材料的实验时间.
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
- 机器学习 机器学习
背景情况:
- 发现具有特定电容性的介电材料具有挑战性,通常依赖于低效的试错方法.
- 低允许度材料对于半导体介层和通信基板至关重要,以减少寄生电容和传输延迟.
研究的目的:
- 开发一个高效和可扩展的机器学习框架,用于预测介电电容率.
- 加速新型低允许度介电材料的发现和合成.
主要方法:
- 一个图形神经网络 (Res-GCN) 模型被开发出来,可以从原子结构直接预测电容性.
- 基于模式识别的材料搜索管道与Res-GCN模型集成.
- 对大约6000个材料输入进行了高通量选.
主要成果:
- Res-GCN模型显示了比经典和其他深度学习模型显著的准确性改进,根平均平方误差为~1.788.8.
- 高通量选在几分钟内确定了有前途的低容量候选人.
- 通过仅八个有针对性的实验,成功合成了具有理想性能的两种新型介电陶.
结论:
- 机器学习,特别是图形神经网络,提供了一种高效和可扩展的方法来加速介电材料的发现.
- 开发的框架通过增强计算预测和实验验证之间的协同作用,大大缩短了研究周期.
