Prediction of properties of metal alloy materials based on machine learning
Southwest Jiaotong University(西南交通大学)
密度泛函理论及其优化算法是目前材料领域计算性质的主要方法。虽然计算结果是准确的,但它需要花费大量的时间和金钱。为了缓解这个问题,我们打算使用机器学习来预测材料性能。本文利用开放的量子材料数据库,对金属合金的原子体积、原子能量和原子形成能进行了实验研究。通过传统的机器学习模型、深度学习网络和自动化机器学习,验证了机器学习在材料性能预测中的可行性。实验结果表明,机器学习可以准确地预测材料的性能。
2021-09-20 cond-mat.mtrl-sci cs.LG physics.comp-ph
Compact atomic descriptors enable accurate predictions via linear models
我们探讨的准确性,线性岭回归采用三体局域密度表示来自原子团簇扩展。我们基准的准确性,这个框架中的形成能量和原子力的分子和固体的预测。我们发现,这种简单的回归框架与最先进的机器学习方法相当,在大多数情况下,这些方法更复杂,计算要求更高。随后,我们寻找方法来稀疏的描述符,并进一步提高该方法的计算效率。为此,我们使用主成分分析和最小绝对收缩算子回归的能量拟合六个单元素数据集。这两种方法都强调了构建一个描述符的可能性,该描述符比原始的小四倍,具有相似甚至更高的准确性。此外,我们发现,减少的描述符在六个独立的数据集上共享相当大的一部分特征,暗示了设计材料不可知的,最佳压缩的和准确的描述符的可能性。
2022-04-22 cond-mat.other physics.comp-ph
Distance Matrix based Crystal Structure Prediction using Evolutionary Algorithms
无机材料的晶体结构预测是材料科学和计算化学中的核心问题之一。该问题可以被公式化为全局优化问题,其中全局搜索算法(诸如遗传算法(GA)和粒子群优化)已经与第一原理自由能计算相结合,以预测仅给定材料组成或仅给定化学体系的晶体结构。这些基于DFT的从头算CSP算法计算量大,只能用于预测相对较小的系统的晶体结构。庞大的坐标空间加上昂贵的DFT自由能计算限制了它们的效率和有效性。另一方面,在生物信息学的蛋白质结构预测社区中,类似的结构预测问题已经被并行地深入研究,其中主要的预测器是基于知识的方法,包括利用已知蛋白质结构的同源建模和线程。在这里,我们探讨是否已知的几何约束,如成对的原子距离的目标晶体材料,可以帮助预测/重建其结构给定其空间群和晶格信息。我们提出了DMCrystal,一个基于遗传算法的晶体结构重建算法的基础上预测原子的成对距离。基于大量的实验,我们表明,预测的距离矩阵可以显着地帮助重建晶体结构,通常实现更好的性能比CMCrystal,基于原子接触图的晶体结构预测算法。这意味着从现有材料中学习到的原子相互作用信息的知识可以用于显着提高晶体结构预测的速度和质量。
2020-10-26 cond-mat.mtrl-sci physics.comp-ph
Efficient Structure-Informed Featurization and Property Prediction of Ordered, Dilute, and Random Atomic Structures
本研究针对材料信息学中原子结构特征化工具存在冗余计算的问题,提出三类效率优化方案,在自研工具pySIPFENN中实现了2-10倍的性能提升,且方案可推广至同类工具。
2024-06-14 cond-mat.dis-nn cond-mat.mtrl-sci physics.comp-ph
Fast Neural Network Approach for Direct Covariant Forces Prediction in Complex Multi-Element Extended Systems
神经网络力场(NNFF)是一种用于对原子结构-力关系进行回归的方法,绕过了昂贵的量子力学计算,该计算阻碍了长时间从头计算质量的分子动力学模拟的执行。然而,大多数复杂的多元素原子系统的NNFF方法间接预测原子力矢量仅利用原子结构旋转不变的功能和网络功能的空间导数,这是计算昂贵的。我们开发了一个交错的NNFF架构,分别利用旋转不变和协变特征直接预测原子力矢量,而不使用空间导数,从而将昂贵的结构特征计算减少约180- 480倍。这种加速使我们能够开发NNFF,它直接预测复杂的三元和四元扩展系统中的原子力,包括长聚合物链,无定形氧化物和表面化学反应。这里描述的交错旋转不变协变架构也可以直接预测复杂的协变矢量输出从计算材料科学领域以外的局部物理结构。
2019-05-07 cs.NE physics.comp-ph
Artificial intelligence real-time prediction and physical interpretation of atomic binding energies in nano-scale metal clusters
单原子位置通常决定材料的功能和性能,如催化剂,半导体或酶。因此,计算和理解这些网站的属性是合理的材料设计过程的一个重要组成部分。由于原子水平上复杂的电子效应,原子位置特性通常是从计算上昂贵的第一原理计算得出的,因为需要这种理论水平来实现相关的准确性。在这项研究中,我们提出了一种广泛适用的机器学习(ML)方法来实时计算原子位置属性,具有高精度。该方法适用于复杂的非晶原子结构,因此开辟了高通量筛选纳米材料,无定形系统和材料界面的可能性。我们的方法包括一个强大的特征化方案,将原子结构转换为可以由常见的机器学习模型使用的功能。执行遗传算法(GA)为基础的功能选择,我们展示了如何建立一个直观的物理解释的ML模型所隐含的结构-性能关系。用这种方法,我们计算的金属纳米粒子的原子位置的稳定性,从3-55个原子的平均绝对误差在0.11-0.14 eV的范围内实时。我们还建立了网站的化学身份作为最重要的因素,在确定原子网站的稳定性,其次是结构特征,如键距和角度。特征化和GA特征选择功能都发布在开源Python模块中。通过这种方法,我们可以通过数据驱动的材料筛选来高效合理地设计高度专业化的现实世界纳米催化剂。
2020-05-06 physics.chem-ph physics.comp-ph
Steerable Wavelet Scattering for 3D Atomic Systems with Application to Li-Si Energy Prediction
Michigan State University(密歇根州立大学)
介绍了一种通用的机器学习结构,该结构使用输入的三维信号的小波散射系数作为特征。三维信号的固体谐波小波散射变换先前被引入到机器学习框架中,用于小有机分子性质的回归。在这里,这种方法被扩展为一般的可操纵小波是等变的平移和旋转,从而在目标函数的稀疏模型。散射系数继承了小波对平移和旋转的不变性。作为这种方法的说明,学习线性回归模型,用于在使用平面波密度泛函理论方法生成的数据库上训练的非晶锂-硅材料状态的形成能。与类似生成的数据库上的其他机器学习方法相比,产生了最先进的结果。
2019-01-28 cs.LG physics.chem-ph physics.comp-ph
Prediction of the Atomization Energy of Molecules Using Coulomb Matrix and Atomic Composition in a Bayesian Regularized Neural Networks
分子电子性质的精确计算是智能化、合理化化合物和材料设计的基础。分子数据本质上的类图和非向量性质产生了一个独特且具有挑战性的机器学习问题。在本文中,我们拥抱从头开始学习的方法,分子的量子力学电子性质预测直接从原始分子几何形状,类似于最近的一些作品。但是,与这些以前的努力不同,我们的研究表明,将嵌入库仑矩阵的分子几何结构与分子的原子组成相结合是有益的。在贝叶斯正则化神经网络中使用新的组合特征,我们的结果将来自文献的关于QM 7数据集的众所周知的结果从3.51 kcal/mol的平均绝对误差提高到3.0 kcal/mol。
2019-04-23 physics.chem-ph physics.comp-ph quant-ph
Performing highly efficient Minima Hopping structure predictions using the Atomic Simulation Environment (ASE)
研究提出基于Python库的高效minima hopping算法实现,利用ASE库和MPI多级并行化方案加速势能面探索,提升全局结构优化模拟的效率与灵活性。
2023-09-15 physics.comp-ph
Entangling Solid Solutions: Machine Learning of Tensor Networks for Materials Property Prediction
最先进的特征表示和新型深度学习架构的发展极大地促进了机器学习技术在预测固态和分子材料特性方面的应用。基于平滑原子密度展开的一大类原子结构表示已被证明对应于抽象多体希尔伯特空间中基组的特定选择。同时,张量网络结构,传统的量子多体物理学和量子信息的范围,已成功地应用于计算机视觉和自然语言处理的监督和无监督学习任务。在这项工作中,我们认为,基于张量网络的架构非常适合于机器学习的原子结构的希尔伯特空间表示。这是证明监督学习任务,涉及广泛可用的数据集的密度泛函理论计算的金属和半导体合金。特别是,我们证明了某些标准张量网络拓扑即使在小的训练数据集上也表现出很强的泛化能力,同时参数化效率很高。我们进一步将这种普遍性与训练张量网络中复杂纠缠的存在联系起来。我们还讨论了与广义结构核学习的联系以及压缩大输入特征空间的相关策略。
2022-03-17 cond-mat.mtrl-sci physics.comp-ph
Machine-learning of atomic-scale properties based on physical principles
我们简要地总结了内核回归方法,最近在材料建模,拟合功能,特别是势能表面,并强调如何线性代数框架可以用来预测和训练从线性泛函的势能,如总能量和原子力。然后,我们给出了一个详细的说明原子位置的平滑重叠(SOAP)表示和内核,显示它是如何从一个抽象的表示光滑的原子密度,以及它是如何与几个流行的基于密度的表示原子结构。我们还讨论了最近的概括,允许精细控制不同的原子种类之间的相关性,预测和拟合张量属性,以及如何构建结构内核-适用于比较整个分子或周期系统-超越局部环境的添加剂组合。
2019-01-30 cond-mat.mtrl-sci physics.comp-ph
Massive Atomic Diversity: a compact universal dataset for atomistic machine learning
本文提出MAD数据集,通过剧烈扭曲稳定结构以最大化原子多样性,训练出与大规模数据集相当的通用原子间势,并引入低维潜空间用于材料比较。
2025-06-24 cond-mat.mtrl-sci physics.chem-ph physics.comp-ph
Obtaining transferable chemical insight from solving machine-learning classification problems: Thermodynamical properties prediction, atomic composition as good as Coulomb matrix
机器学习(ML)可用于构建替代模型,以快速预测感兴趣的属性。因此,ML可以应用于化学项目,其中通常的实验或计算技术可能需要数小时或数天才能完成一个样本。通过这种方式,可以从广泛的数据库中提取最有希望的候选样本,并对其进行进一步的深入分析。尽管ML方法具有广泛的适用性,但将ML方法应用于给定的化学问题可能具有挑战性,因为必须做出大量的设计决策,例如使用的分子描述符或训练模型的优化器。在这里,我们提出了一个有意义的探索一个给定的分子问题,通过分类实验的方法。这种概念上简单的方法可以对所选问题产生可转移的见解,并可用作评估预测难度、测试和改进分子表示以及可以开展更精确或雄心勃勃的项目的平台。也可以获得物理化学的见解。通过使用多个分子描述符预测来自公共数据库QM9 [Ramakrishnan 2014]的133,885个有机分子的分子的焓、吉布斯自由能、零点振动能和定容热容来说明该方法。一个值得注意的结果是,对于我们提出的分类问题,低分辨率描述符“原子组成”[Tchagang 2019]可以达到几乎与高分辨率“排序库仑矩阵”[Rupp 2012,Montavon 2012,Hansen 2013]($>90\%$)相当的分类率,前提是在训练期间使用适当的优化器。
2022-12-02 physics.chem-ph physics.comp-ph
Orbital Graph Convolutional Neural Network for Material Property Prediction
Carnegie Mellon University(卡内基梅隆大学);University of Calgary(卡尔加里大学)
与机器学习模型兼容的材料表示在开发具有高精度属性预测的模型方面发挥着关键作用。原子轨道相互作用是决定晶体材料性质的重要因素之一,从原子轨道相互作用可以推断出晶体材料中原子的局部化学环境。因此,为了开发用于材料性能预测的鲁棒机器学习模型,必须包括代表这些化学属性的特征。在这里,我们提出了轨道图卷积神经网络(OGCNN),这是一种晶体图卷积神经网络框架,包括原子轨道相互作用特征,可以以稳健的方式学习材料特性。此外,我们将编码器-解码器网络嵌入到OGCNN中,使其能够学习基本原子(元素特征),轨道-轨道相互作用和拓扑特征中的重要特征。我们研究了该模型在广泛的晶体材料数据上的性能,以预测不同的性质。我们将OGCNN模型的性能与以下各项进行了基准测试:1)晶体图卷积神经网络(CGCNN),2)其他最先进的材料表示描述符,包括多体张量表示(MBTR)和原子位置平滑重叠(SOAP),以及3)其他传统的回归机器学习算法,其中使用了不同的晶体特征化方法。我们发现OGCNN明显优于它们。OGCNN模型具有较高的预测精度,可以在材料的巨大相空间和化合物空间中发现新材料
2020-08-14 cond-mat.mtrl-sci cs.LG physics.comp-ph
Linear Scaling Calculation of Atomic Forces and Energies with Machine Learning Local Density Matrix
本文提出HamGNN-DM模型,利用局域密度矩阵以O(n)线性标度实现DFT级精度的原子力和能量预测,为大规模分子动力学模拟提供高效且稳健的电子结构信息。
2025-01-03 cond-mat.mtrl-sci physics.chem-ph physics.comp-ph
A local Bayesian optimizer for atomic structures
提出了一种基于贝叶斯高斯过程的局部优化方法,并将其应用于原子结构的优化。该方法适用于各种系统,包括分子,团簇,散装材料,和表面的分子。在所有情况下,该方法都可以与共轭梯度或BFGS等标准优化算法进行比较。该方法依赖于预测的替代势能面,这是快速优化,并逐步改善计算进行。该方法包括几个超参数,其优化可能会导致进一步提高的计算速度。
2019-08-29 physics.comp-ph
Accurate prediction of clock transitions in a highly charged ion with complex electronic structure
我们开发了一种广泛适用的方法,大大提高了准确预测复杂原子性质的能力。我们将其应用到Ir $^{17+}$的情况下,这是特别感兴趣的发展新的原子钟的精细结构常数和暗物质搜索的变化具有高灵敏度。时钟跃迁很弱,如果没有准确的理论预测,很难识别。在Ir $^{17+}$的情况下,尽管多年的努力提高了理论预测严重错误的可能性,但更强的电偶极(E1)跃迁仍然无法观察到。在这项工作中,我们提供了准确的预测过渡波长和E1跃迁率在Ir $^{17+}$。我们的研究结果解释了缺乏观察的E1转换,并提供了一个途径,对时钟转换的检测。在这项工作中所展示的计算进步广泛适用于元素周期表中的大多数元素,并将允许解决原子物理学,天体物理学和等离子体物理中的许多问题。
2019-12-18 physics.atom-ph physics.comp-ph quant-ph