机器学习(ML)已在材料科学中得到广泛应用。据信,由ML开发的模型可以描述数据的共同趋势,因此反映了结构和性质之间的关系,这可以应用于大多数化合物。因此,通过使用现有数据库训练ML模型,可以在耗时的实验或计算之前预测化合物的重要性质,这将极大地加速新材料设计的过程中国机械网okmao.com。
虽然非常有用,但这些模型并没有直接显示结构与财产之间关系的规则和物理。尽管它们具有良好的整体性能,但总会有一些例外,其中ML模型未能给出准确的预测。很多时候,正是这些例外情况为基础物理学提供了一些新的见解,并开辟了科学的新领域。
由北京大学深圳研究生院先进材料学院创始院长冯攀教授领导的一个研究小组最近表明,这些模型不仅在成功准确预测属性时,而且在失败时也很有价值。在他们的工作中,建立了一个模型,根据学校自己构建的高通量计算数据库,根据其原子结构预测化合物的HSE带隙。模型的R2为0.89,与同类作品相当。然后他们过滤掉那些预测误差大于2 eV的结构并仔细检查它们。许多结构具有不寻常的结构单元,或显示具有相似化合物的其他异常,例如相对大的带隙或处于不同的相位。在这些不寻常的结构中 AgO2F引起了极大的兴趣,并给出了详细的分析。发现Ag3 +和O22-共存于该化合物中,而Ag离子处于方形平面配位,Ag和O的轨道之间几乎没有杂化。带边缘附近的状态主要由O-2p轨道和带组成。间隙远小于其他含Ag3 +离子的化合物。这为阴离子氧化还原性质提供了一个新的例子,这是研究Li过量电极材料的热门话题。这些结果证明了如何从机器学习中的异常中发现异常结构,这可以帮助我们从现有数据库中研究新物理和新结构单元。在Ag和O的轨道之间几乎没有杂化。带边缘附近的状态主要由O-2p轨道贡献,带隙比其他具有Ag3 +离子的化合物小得多。这为阴离子氧化还原性质提供了一个新的例子,这是研究Li过量电极材料的热门话题。这些结果证明了如何从机器学习中的异常中发现异常结构,这可以帮助我们从现有数据库中研究新物理和新结构单元。在Ag和O的轨道之间几乎没有杂化。带边缘附近的状态主要由O-2p轨道贡献,带隙比其他具有Ag3 +离子的化合物小得多。这为阴离子氧化还原性质提供了一个新的例子,这是研究Li过量电极材料的热门话题。这些结果证明了如何从机器学习中的异常中发现异常结构,这可以帮助我们从现有数据库中研究新物理和新结构单元。