Electronic Structure Descriptor for Discovery of Narrow-Band Red-Emitting Phosphors
窄带红光磷光体是用于高效照明级照明的磷光体转换发光二极管中的关键组分。在这项工作中,我们报告发现了一个定量描述符的窄带Eu 2+激活发射确定通过比较已知的窄带和宽带荧光粉的电子结构。我们发现,一个狭窄的发射带宽的特点是由两个最高的Eu 2 + 4f 7带之间的一个大的分裂超过0.1 eV。通过将此描述符在高通量的第一原理筛选的2,259氮化物化合物,我们确定了五个有前途的新的氮化物主机Eu 2+激活的红色发光荧光粉,预计表现出良好的化学稳定性,热猝灭电阻和量子效率,以及窄带发射。我们的研究结果提供了重要的见解稀土激活剂在磷光体主机的发射特性,和一个通用的策略,以发现具有所需的发射峰和带宽的磷光体。
2016-04-15 cond-mat.mtrl-sci
Universal Fragment Descriptors for Predicting Electronic Properties of Inorganic Crystals
从历史上看,材料的发现一直是由艰苦的试错过程驱动的。材料数据库的发展和新兴的信息学方法最终提供了将这种实践转化为数据和知识驱动的合理设计的机会。通过使用来自AFLOW存储库的数据进行高通量从头计算,我们已经生成了定量材料结构-性能关系(QMSPR)模型来预测八个关键的电子和热机械材料性能,例如金属/绝缘体分类,带隙能量,体积和剪切模量,德拜温度和热容。用这些QMSPR模型获得的预测精度接近几乎任何化学计量无机晶体材料的训练数据。这些模型的成功和普遍性归功于新材料描述符的构建--被称为通用属性标记材料片段(PLMF)。该表示只需要最小的结构输入,并提供简单的启发式设计规则,指导合理的材料设计方面的简单的模型解释。这项研究证明了材料信息学的力量,大大加快了新材料的搜索。
2017-03-24 cond-mat.mtrl-sci
High-Throughput Computational Screening of thermal conductivity, Debye temperature and Grüneisen parameter using a quasi-harmonic Debye Model
准谐波德拜近似已经在高通量计算科学的AFLOW和材料项目框架(自动吉布斯图书馆,AGL)中实现,以计算诸如德拜温度和材料热导率等热性质。我们证明,AGL方法,这是显着便宜的计算相比,完全从头算方法,可以可靠地预测几种不同类别的半导体材料的热导率的顺序排名。我们还发现,在这项工作中研究的德拜温度,计算与AGL的一组182种材料,往往是一个更好的预测的顺序排列的实验热导率比计算的热导率。因此,德拜温度是用于高通量筛选材料的热性质的潜在描述符。
2014-10-14 cond-mat.mtrl-sci
Accelerating Discovery of Extreme Lattice Thermal Conductivity by Crystal Attention Graph Neural Network (CATGNN) Using Chemical Bonding Intuitive Descriptors
University of South Carolina(南卡罗来纳大学);Institut de Ciència de Materials de Barcelona, ICMAB–CSIC(巴塞罗那材料科学研究所,西班牙国家科学研究委员会);Northwestern University(西北大学)
通过CATGNN利用化学键描述符发现具有极值晶格热导率的材料,提升热绝缘和热电材料设计效率
2025-12-11 cond-mat.mtrl-sci
High-throughput computation and machine learning modeling of magnetic moments and Mössbauer parameters for Fe-based intermetallics
针对铁基金属间化合物局域磁矩与穆斯堡尔特性,结合高通量密度泛函理论计算与SOAP描述符的机器学习方法,构建晶体环境到相关性能的映射,弥补经验观测与理论模型的缺口。
2025-03-20 cond-mat.mtrl-sci
High-Throughput Computational-Experimental Screening Protocol for the Discovery of Bimetallic Catalysts
在几十年的催化研究中,将d带中心与吸附物结合能相关联的d带中心理论成功地加速了新型催化剂材料的发现。最近的研究表明,在d带中心值之上,充分考虑描述d带高阶矩的d带形状以及sp带性质可以帮助更好地捕获表面反应性。然而,状态密度(DOS)模式本身从来没有被用作一个描述符在结合计算实验研究。在这里,我们提出了完整的DOS模式作为高吞吐量筛选协议的关键描述符,并证明了其有效性。本研究以合成过氧化氢(H2 O2)为示范催化反应,重点寻找可替代原型钯(Pd)催化剂的钯催化剂。通过一系列基于DOS模式相似性(使用第一性原理计算评估)和合成可行性的筛选过程,最终从4,350 Pd合金中提出了9个候选物,然后预期其具有与Pd相当的催化性能。随后的实验测试表明,4种Pd催化剂(Ni_(61)Pt_(39),Au_(51)Pd_(49),Pt_(52)Pd_(48),Pd_(52)Ni_(48))确实表现出与Pd相当的催化性能。此外,我们发现了一种新的Ni-Pt催化剂,这是迄今为止尚未报道的H2 O2直接合成。特别地,Ni 61 Pt 39优于用于化学反应的原型Pd催化剂,并且在成本归一化生产率方面表现出9.5倍的提高。该方案提供了一个新的机会,催化剂发现的替代或减少使用的铂族金属。
2020-09-17 cond-mat.mtrl-sci
Electronic transport descriptors for the rapid screening of thermoelectric materials
用于热电能转换的新型材料的发现有可能通过数据驱动的筛选与高通量计算相结合来加速。提高成功选择候选材料的效率的一种方法是通过使用传输描述符对其进行评估。使用数据驱动的筛选,我们在三角ABX2家族中选择了12个潜在的候选者,然后从第一原理进行电荷传输性质模拟。结果表明,在这些材料中的载流子散射过程中占主导地位的电离杂质和极性光学声子,通常假设的声学声子为主的散射相反。结合基于三声子散射的热导率计算,我们预测p型AgBiS2和TlBiTe2作为潜在的高性能热电材料在中温范围内用于低品位废热收集,预测zT在500 K时大于1。使用这些数据,我们进一步推导出基态载流子迁移率和热电功率因子的传输描述符。除了低载流子质量之外,高介电常数被发现是实现高载流子迁移率的重要因素。建立了介电常数与传输性能之间的二次相关性,并与文献进一步验证。展望未来,介电常数可以作为一个独立的调谐旋钮,用于改善热电性能。
2021-01-09 cond-mat.mtrl-sci
Pyrovskite: A software package for the high throughput construction, analysis, and featurization of two- and three-dimensional perovskite systems
本文提出开源软件包Pyrovskite,用于钙钛矿系统的高通量构建、分析与特征化,并引入新描述符量化八面体畸变,以增强Rashba-Dresselhaus分裂。
2023-05-19 cond-mat.mtrl-sci physics.chem-ph physics.comp-ph
High throughput computational screening for two-dimensional magnetic materials based on experimental databases of three-dimensional compounds
我们进行了计算筛选的基础上存在于无机晶体结构数据库和晶体学开放数据库的实验散装化合物的二维磁性材料。最近提出的几何描述符是用来提取材料,剥离成二维衍生物,我们发现85铁磁和61反铁磁材料,我们获得磁交换和各向异性参数,使用密度泛函理论。对于易磁化轴铁磁绝缘体,我们基于各向异性海森堡模型的经典蒙特卡罗模拟计算居里温度。我们发现良好的协议与实验报道的居里温度已知的二维铁磁体,并确定10个潜在的剥落的二维铁磁体,以前没有报道。此外,我们发现18易轴反铁磁绝缘体与几个化合物表现出很强的交换耦合和磁各向异性。
2020-04-29 cond-mat.mtrl-sci
ADAIS: Automatic Derivation of Anisotropic Ideal Strength via high-throughput first-principles computations
各向异性理想强度是表征强结晶材料本征强度的一个基本而重要的塑性参数,也是寻找和设计新型硬/超硬材料的一个潜在的描述因子。然而,据我们所知,各向异性理想强度的自动推导尚未在任何可用的开源代码中实现。在本文中,我们提出了我们开发的ADAIS代码,通过高吞吐量的第一性原理计算的三维和二维晶体材料的任何对称性,以及一个理想的界面模型的各向异性的理想强度的自动推导。几个基本的力学量,可以自动推导出,包括理想的拉伸和剪切强度,通过仿射变形,通用的结合能和广义堆垛层错能,以及理想的解理和滑动应力通过别名变形。通过对不同对称性的晶体材料的大量测试和评价,验证了该程序的有效性,表明该程序可以为固体强度的定量计算提供一种高效的解决方案。
2018-10-28 cond-mat.mtrl-sci
Insights into the adhesion and delamination strength of carbon films on metals by high-throughput ab initio calculations
University of Bologna(博洛尼亚大学)
通过高通量ab initio计算研究碳膜在金属上的附着力与剥离强度,发现附着力能量与表面能量几何平均相关,同时引入基于g(r)分析的方法识别表面碳杂化状态变化。
2026-01-19 cond-mat.mtrl-sci
High-throughput study of the static dielectric constant at high temperatures in oxide and fluoride cubic perovskites
利用有限温度声子计算和Lyddane-Sachs-Teller关系,我们从头计算了78种立方钙钛矿结构半导体氧化物和氟化物在1000 K下的静态介电常数。我们首先比较我们的方法与实验测量,我们发现,它成功地描述了一系列的氧化物BaTiO $_{3}$,SrTiO $_{3}$,KTaO $_{3}$的静态介电常数$ε_{DC}$的温度依赖性和相对有序。我们表明,在我们的高通量研究的框架中,非谐性对离子钳位介电常数,玻恩电荷和声子寿命的影响可以忽略不计。基于高温声子谱,我们发现在1000 K时,$ε_{DC}$在氧化物中的色散比在氟化物中的色散大一个数量级。我们显示的介电常数与简单的结构描述符的相关图,我们指出,$ε_{DC}$实际上是很好的相关性与无限频率的介电常数$ε_{\infty}$,即使在这些材料中的相变,其中$ε_{DC}$是强烈的温度依赖性。
2020-11-25 cond-mat.mtrl-sci
Data-Driven, Physics-Informed Descriptors of Cation Ordering in Multicomponent Oxides
针对多组分钙钛矿氧化物阳离子有序结构难预测的问题,结合第一性原理模拟与机器学习开发了数据驱动、物理信息描述符,在190种钙钛矿数据集上排序准确率达93%,可加速高通量虚拟筛选。
2023-05-02 cond-mat.mtrl-sci physics.chem-ph
Database-driven High-Throughput Calculations and Machine Learning Models for Materials Design
本文回顾了过去和正在进行的努力,在使用高通量ab-inito计算结合机器学习模型的材料设计。主要关注的是散装材料,即,材料具有固定的、有序的晶体结构,尽管这些方法自然地扩展到更复杂的配置。高效和强大的计算方法,计算能力和可靠的自动化数据库驱动的高吞吐量计算方法相结合,以产生高质量的数据集。这些数据可用于训练机器学习模型,以预测散装材料的稳定性及其性能。基本的计算方法和自动计算的工具进行了详细讨论。还涵盖了各种机器学习模型,特别是材料设计中常用的描述符。
2019-10-05 cond-mat.mtrl-sci physics.comp-ph
Atomic positions independent descriptor for machine learning of material properties
使用机器学习方法高通量筛选周期性无机固体需要原子位置来将结构和组成细节编码到适当的材料描述符中。这些原子位置对于新材料是不可用的{ \it先验},这严重限制了对新材料的探索。我们克服了这个限制,只使用晶体对称性信息的材料结构描述。我们发现,对于具有相同结构对称性的材料,机器学习是微不足道的,并且可以通过仅使用材料描述中的原子序数来实现与密度泛函理论计算相似的精度。对于散装晶体固体形成能的机器学习,这种简单的材料描述符能够在由85,000多种不同材料组成的测试数据集上实现仅0.07 eV/原子的预测平均绝对误差。这种与原子位置无关的材料描述符提出了一种新的材料发现途径,其中可以通过在大幅减少的材料子空间上训练机器学习模型来筛选数百万种材料。
2018-09-14 cond-mat.dis-nn cond-mat.mtrl-sci physics.data-an
Indirect band gap semiconductors for thin-film photovoltaics: High-throughput calculation of phonon-assisted absorption
高性能材料的发现仍然是光伏研究中最活跃的领域之一。间接带隙材料构成了半导体化学空间的最大部分,但从第一性原理计算预测它们对PV应用的适用性仍然具有挑战性。在这里,我们提出了一个计算效率高的方法来考虑声子辅助吸收整个间接带隙,并用它来筛选127实验已知的二元半导体的潜在的薄膜光伏吸收。使用筛选描述符的吸收,载流子输运和非辐射复合,我们确定了28个潜在的候选材料。该列表包含20种间接带隙半导体,包括成熟的(3),新兴的(16)和以前未开发的(9)吸收材料。这些新化合物大多是富含负离子的硫族化合物(TiS $_3$,Ga $_2$ Te $_5$)和含同质元素键的磷化物(PdP $_2$,CdP $_4$,MgP $_4$,BaP $_3$),代表了光伏材料研究的新前沿。我们的工作突出了间接带隙材料的光电薄膜技术以前未开发的潜力。
2022-07-19 cond-mat.mtrl-sci
High Throughput Screening of Transition Metal Binuclear Site for N2 Fixation
金属(M)-Nx作为一种有前途的催化中心的发现,引起了单原子催化剂在N2还原反应(NRR)中的极大兴趣。然而,由于活性中心的吸附行为不合理,现有的活性炭的活性和选择性差,与工业要求相差甚远。通过第一性原理的高通量筛选,我们发现在石墨碳氮化物(Fe 2/gCN)上合理构建Fe-Fe双原子中心位置可以兼顾N2 H和NH 2的吸附能力,在23种不同的过渡金属(TM)中心中实现最佳的NRR性能。我们的研究结果表明,Fe 2/gCN可以实现100%的法拉第效率为NH3生产。令人印象深刻的是,Fe 2/gCN的极限电位估计为低至-0.13 V,这是迄今为止所报道的理论结果中的最低值。多级描述符(吸附的N2和集成晶体轨道汉密尔顿人口上的过剩电子)揭示了从能源,电子结构和基本特性的观点的NRR活动的起源。作为电催化NRR过程中普遍存在的问题,由底物分解引起的氨污染可以克服。我们的预测为电催化合成NH3提供了一个新的平台,有助于进一步阐明结构与性能的相关性。
2020-09-14 cond-mat.mtrl-sci
High throughput inverse design and Bayesian optimization of functionalities: spin splitting in two-dimensional compounds
本文构建了二维材料自旋劈裂数据库,提出整合逆向设计与贝叶斯推断优化的材料设计工作流程,在C2DB中分类出358种材料,并验证了其在自旋电子学应用中的普适性。
2022-01-24 cond-mat.mtrl-sci
High throughput computational screening for 2D ferromagnetic materials: the critical role of anisotropy and local correlations
近年来,二维磁性材料中铁磁有序的观察引起了人们对二维磁性的极大兴趣。与体材料相比,2D材料只有在存在磁各向异性的情况下才能表现出磁有序。在目前的工作中,我们已经使用的计算二维材料数据库(C2DB),以寻找新的铁磁二维材料使用自旋波间隙作为一个简单的描述符,占磁各向异性的作用。除了已知的化合物,我们发现12种新型绝缘材料,在有限的温度下表现出磁序。对于这些,我们评估的临界温度从经典的蒙特卡罗模拟的海森堡模型与交换和各向异性参数从第一原理。从150个稳定的铁磁2D材料开始,我们找到了五个候选者,预测其临界温度超过CrI3。在DFT+U的框架下研究了Hubbard修正的影响,发现U的值对磁性的预测有着至关重要的影响。我们的工作提供了新的见解二维磁性,并确定了一套新的有前途的单分子膜的实验研究。
2020-02-17 cond-mat.mtrl-sci
High-throughput screening for boride superconductors
本研究利用密度泛函计算和快冻结声子方法高通量筛选硼化物超导体,发现23个稳定候选物,其中三元硼化物Ta(MoB)2的最高超导温度约12K,并证实了硼化物体系结构基元的多样性。
2024-04-29 cond-mat.mtrl-sci cond-mat.supr-con
High-Throughput Prediction of Exfoliable Non-van der Waals Materials from a Universal Potential
Technische Universität Dresden(德累斯顿工业大学);Helmholtz-Zentrum Dresden-Rossendorf(德累斯顿-罗森多尔夫赫尔姆霍兹中心)
本研究提出一种通用框架,通过从本体结构直接预测晶体解理和可剥离的二维子单元,发现非vdW二维材料并拓展低维材料的多样性。
2026-09-18 cond-mat.mtrl-sci
Machine Learning for Novel Thermal-Materials Discovery: Early Successes, Opportunities, and Challenges
在机器学习的辅助下,材料的高通量计算和实验设计已经成为材料科学中越来越重要的领域。这一研究领域在热科学中出现了飞跃,部分原因是在获得材料热性能的计算和实验方法方面取得了进展。在本文中,我们提供了一个当前的一些最近的工作概述,并强调了我们在这一领域面临的挑战和机遇。特别是,我们专注于使用机器学习和高通量方法来筛选化合物,复合材料和合金的热导率以及界面热导率。这些新工具为理解新的相关性和识别新的描述符带来了反馈机制,加速了新型热功能材料的发现。
2019-01-17 cond-mat.mtrl-sci
Refining Tc Prediction in Hydrides via Symbolic-Regression-Enhanced Electron-Localization-Function-Based Descriptors
本研究通过引入分子性指数并应用符号回归,增强了基于ELF的描述符对氢化物超导临界温度预测的准确性,建立了更稳健的评估框架,加速新材料筛选。
2025-06-20 cond-mat.mtrl-sci cond-mat.supr-con physics.comp-ph
High-throughput computational discovery of CuI-based ternary $p$-type transparent conductors
Ruhr University Bochum(波鸿鲁尔大学);Friedrich-Schiller-Universität Jena(耶拿弗里德里希·席勒大学)
通过高通量计算结合最小跳跃法和密度泛函理论,发现58种CuI基三元p型透明导体,并泛化了价带化学调控设计规则,为p型卤化物透明导体设计提供新框架。
2026-09-28 cond-mat.mtrl-sci
High throughput thermal conductivity of high temperature solid phases: The case of oxide and fluoride perovskites
使用有限温度声子计算和机器学习方法,我们计算了大约400种具有立方钙钛矿结构的半导体氧化物和氟化物在0 K,300 K和1000 K下的机械稳定性。我们发现了92种在高温下机械稳定的化合物-包括迄今为止文献中未提及的36种-我们计算了热导率。我们证明,热导率一般是较小的氟化物比氧化物,主要是由于较低的离子电荷,并描述了简单的结构描述符,其幅度相关。此外,我们发现,大多数立方钙钛矿的热导率下降更慢,比通常的$T^{-1}$行为。在这一组中,我们还筛选显示负热膨胀的材料。最后,我们描述了一种策略,以加快发现机械稳定的化合物在高温下。
2016-06-10 cond-mat.mtrl-sci physics.comp-ph
A critical assessment of bonding descriptors for predicting materials properties
Federal Institute for Materials Research and Testing(联邦材料研究与测试研究所);Friedrich Schiller University Jena(耶拿弗里德里希·席勒大学);UCLouvain(瓦隆布鲁塞尔天主教大学)
本文评估了结合描述符在预测材料性质中的作用,通过统计显著性检验评估了量子化学结合描述符对机器学习模型性能的影响,发现其能提升预测性能并揭示如投影力常数和晶格热导率等性质的直观表达。
2026-04-16 cond-mat.mtrl-sci physics.chem-ph physics.comp-ph
A High-Throughput Computational Dataset of Halide Perovskite Alloys
具有改进的稳定性和光电性能的新型卤化物钙钛矿可以经由阳离子和/或阴离子位点处的组成工程设计。数据驱动的方法,特别是基于独特材料描述符的高通量第一原理计算和后续分析,是实现这一目标的关键。在这项工作中,我们报告了一个基于密度泛函理论(DFT)的数据集的495 $ABX_3$卤化物钙钛矿化合物,考虑在A,B和X网站的各种原子和分子物种,和不同的混合量应用在每个网站使用特殊的准随机结构(SQS)的合金方法。我们对所有495个伪立方钙钛矿结构进行了GGA-PBE计算,并使用HSE 06泛函进行了大约250次计算,包括有和没有自旋轨道耦合,包括几何优化和PBE优化结构的静态计算。晶格常数,分解能量,带隙,和理论光伏效率,计算使用每个层次的理论,并与收集的实验值进行比较。在数据中的趋势是解开在不同的网站,在化合物中存在的特定元素或分子物种的分数,和平均物理性质的物种在不同的网站混合的影响。我们基于容差因子、立方度偏差、计算稳定性和光电特性的多个定义在钙钛矿数据集上进行筛选,从而获得一系列有前途的组合物和设计原则,以实现多种所需的特性。我们的多目标,多保真度,计算卤化物钙钛矿合金数据集是迄今为止最全面的数据集之一,是开源的,目前正在用于训练预测和优化模型,以加速设计用于卓越光电应用的新型组合物。
2023-02-09 cond-mat.mtrl-sci
Phase stability and mechanical property trends for MAB phases by high-throughput ab initio calculations
本研究通过高通量从头计算筛选多种元素与化学计量比构成的MAB相,分析其相稳定性、相变增韧潜力与各向异性力学性能,识别出Nb₃AlB₄等多种高潜力材料,为MAB相的实验合成与应用提供理论指导。
2024-02-07 cond-mat.mtrl-sci
PolyRapid: Automated High-Throughput Screening of Polymers Using a Computational Workflow
University of Manchester(曼彻斯特大学);University of Liverpool(利物浦大学);STFC Daresbury Laboratory(英国科学与技术设施委员会达尔斯伯里实验室)
提出PolyRapid自动化工作流程,集成自适应退火协议,实现103种均聚物的高通量筛选,95%系统在4个30纳秒退火周期内达到平衡,节省超过2500小时计算时间,并基于模拟数据构建机器学习模型预测聚合物密度和玻璃化转变温度。
2026-07-03 cond-mat.mtrl-sci
Spectral descriptors for bulk metallic glasses based on the thermodynamics of competing crystalline phases
近年来,金属玻璃由于其优异的性能和加工性能的独特组合而引起了相当大的兴趣。从已知参数预测大块金属玻璃形成体仍然是一个挑战,并且仍然通过试验和错误来搜索新系统。据推测,在与玻璃形成竞争的结晶相的结晶过程中,某种“混乱”可能起关键作用。在这里,我们提出了一个启发式的描述量化混乱,并证明其有效性的两个著名的玻璃形成合金系统的详细实验。通过这些结果提供的洞察力,我们开发了一个强大的模型,用于预测玻璃形成能力的基础上的光谱分解的几何和能量的结晶相从头计算的AFLOW高通量框架。我们的研究结果表明,金属玻璃相的形成可能是一个比目前估计的更常见的现象,超过17%的二元合金系统是潜在的玻璃形成。我们的方法能够精确定位有利的成分,克服阻碍新材料发现的主要瓶颈。因此,它表明,智能描述符,完全基于从第一原理计算和在线数据库中提供的竞争晶相的能量和结构,其他人的抢手的关键,加速发现新的金属玻璃。
2016-07-16 cond-mat.mtrl-sci physics.comp-ph physics.data-an
Exploring high thermal conductivity polymers via interpretable machine learning with physical descriptors
本研究提出一种基于可解释机器学习和物理特征工程的高通量筛选框架,通过分子动力学模拟数据和物理描述符预测聚合物热导率,发现了107种高热导率聚合物结构,并揭示了其微观物理机制。
2023-01-08 cond-mat.mtrl-sci cond-mat.soft physics.app-ph
Universal Catalyst Design Framework for Electrochemical Hydrogen Peroxide Synthesis Facilitated by Local Atomic Environment Descriptors
提出一种结合局域原子环境描述符、机器学习与微动力学建模的通用框架,实现跨四类材料的高效筛选,并准确预测吸附自由能,显著加速高性能2e-水氧化反应催化剂的设计。
2025-01-22 cond-mat.mtrl-sci physics.chem-ph
TXL Fusion: A Hybrid Machine Learning Framework Integrating Chemical Heuristics and Large Language Models for Topological Materials Discovery
Anhui University(安徽大学);University of Alabama at Birmingham(阿拉巴马大学伯明翰分校);Xiamen University(厦门大学);Shenzhen University(深圳大学);Beihang University(北京航空航天大学)
TXL融合通过整合化学启发法和大语言模型,提升拓扑材料发现的效率与准确性。
2026-07-15 cond-mat.mtrl-sci
High-throughput screening and mechanistic insights into solid acid proton conductors
Technische Universität Ilmenau(伊尔梅瑙工业大学)
本研究提出一种高通量筛选策略,通过机器学习势能函数识别高性能质子导体,揭示质子转移中氧-氧距离的普遍规律,并阐明宏观质子导电性的机理。
2026-02-16 cond-mat.mtrl-sci physics.chem-ph physics.comp-ph
Enhanced Spin Hall Ratio in Two-Dimensional Semiconductors
本研究利用第一性原理计算评估 III-V 族单层的自旋霍尔比,提出高 SHR 描述符并结合含 216 种材料的高通量数据库,成功发现并验证 Sc$_2$CCl$_2$。
2024-04-15 cond-mat.mtrl-sci physics.comp-ph
Machine learning, phase stability, and disorder with the Automatic Flow Framework for Materials Discovery
传统的材料发现方法-主要依赖于艰苦的实验-已经控制了技术的步伐。相反,计算方法提供了一个加速的路径:高通量的探索和虚拟结构的表征。这些由自动化从头开始框架执行的项目迅速扩大了可编程访问的数据量,为数据驱动的方法创造了机会。在此,提出了一系列强大的表征方法,在材料发现的自动流框架(AFLOW)中实现,该框架利用材料数据来预测无序材料的相图和特性。这些方法直接解决了材料的可合成性问题,弥合了模拟和实验之间的差距。为这些预测提供动力的是AFLOW.org无机晶体库,这是同类数据库中最大和最全面的数据库,包含200多万种化合物,每种化合物计算出约100种不同的性质。正如使用标准化参数集计算的那样,丰富的数据也提供了有利的学习环境。机器学习算法用于性能预测、描述符开发、设计规则发现和候选功能材料的识别。当与物理模型和智能制定的描述符相结合时,数据成为一个强大的工具,促进了从高温超导体到热电应用的新材料的发现。这些方法已经通过本文介绍的两个新的永磁体的合成进行了验证-这是通过计算方法首次发现的。
2018-11-20 cond-mat.mtrl-sci
Material Hardness Descriptor Derived by Symbolic Regression
本文利用基于压缩感知的符号回归人工智能算法SISSO,从61种过渡金属化合物的实验硬度数据中导出一个由体积模量、泊松比和剪切模量组合构成的维氏硬度物理描述符,并通过高通量筛选635种候选材料发现亚稳结构混合可提升硬度。
2024-08-07 cond-mat.mtrl-sci physics.app-ph physics.comp-ph
Descriptor-Enabled Rational Design of High-Entropy Materials Over Vast Chemical Spaces
本文提出混合焓-熵描述符MEED,基于第一性原理揭示高熵材料稳定性判据与熵形成能力评估方法,实现高通量筛选并预测多种新型碳化物和二维硫化物。
2023-01-16 cond-mat.dis-nn cond-mat.mtrl-sci
Discovering and Understanding 2D Semiconductors with High Intrinsic Carrier Mobility at Room Temperature
二维(2D)半导体在下一代电子学和光电子学中表现出巨大的潜力。然而,目前的2D半导体在室温下固有地具有低载流子迁移率,这显著地限制了其应用。在这里,我们发现了各种新的2D半导体,其迁移率比目前的高一个数量级。这一发现是通过开发有效的描述符来进行2D材料数据库的高通量计算筛选,然后使用最先进的第一原理方法来准确计算迁移率。进一步的分析将其异常的迁移率归因于小的有效质量、高的声速、高的光学声子频率、小的玻恩电荷与极化率的比率和/或弱的电子-声子耦合。我们的工作开辟了新材料,以实现以前难以实现的高器件性能和/或奇异物理,并提高了对载流子输运机制的理解。
2023-01-26 cond-mat.mtrl-sci
Accelerated Prediction of Surface Stability and Particle Morphology in Ionic Crystals via Electrostatic Screening
Forschungszentrum Jülich GmbH(于利希研究中心);University of Twente(特温特大学)
本文提出一种快速可扩展的方法,利用静电分析预测离子材料的表面稳定性与平衡晶体形态,通过构造化学计量学板终止并评估其静电能量,实现高通量筛选,利用静电学重构稳定极性表面,避免昂贵的DFT计算,适用于大系统和高指数表面,验证了静电相互作用在不同材料系统中的主导趋势。
2026-04-29 cond-mat.mtrl-sci
Materials Expert-Artificial Intelligence for Materials Discovery
Department of Physics, Cornell University, Ithaca, NY 14853, USA;Department of Chemistry, Princeton University, Princeton, New Jersey 08544, United States;Department of Chemistry, North Carolina State University, Raleigh, NC, USA;New York University, New York, NY 10011, USA;Fraunhofer Research Institution for Materials Recycling;Department of Physics, Ewha Womans University, Seoul, South Korea
提出机器学习框架ME-AI,利用专家整理的实验数据将人类直觉转化为可量化描述符,成功预测方格网材料中的拓扑半金属特性,为材料发现提供新途径。
2023-12-05 cond-mat.mtrl-sci cond-mat.str-el cs.LG
Machine Learning for Predicting Thermal Transport Properties of Solids
结构-热性能相关性的定量描述一直是设计具有优异热性能材料的瓶颈。在过去的十年中,第一性原理声子计算使用密度泛函理论和玻尔兹曼输运方程已成为一种常见的做法,预测的热导率的新材料。然而,第一性原理计算对于高通量材料筛选和多尺度结构设计来说成本太高。第一性原理计算在模拟热传输性质时也面临几个基本挑战,例如,具有缺陷的晶体材料、非晶材料和高温材料。在过去的五年里,机器学习开始在解决这些挑战方面发挥作用。这篇综述对最先进的技术、未来的机会以及实施机器学习研究热导率的剩余挑战进行了全面的总结和讨论。在介绍了机器学习的工作原理和材料结构描述符之后,讨论了最近利用机器学习研究热传输的研究。讨论了机器学习在预测热性能方面的三个主要应用。首先,机器学习被应用于解决模拟具有缺陷的晶体、非晶材料和高温下的声子输运的挑战。机器学习用于构建高保真的原子间势,以弥合第一性原理计算和分子动力学模拟之间的差距。其次,机器学习可用于研究热导率与其他性能之间的相关性,以进行高通量材料筛选。最后,机器学习是结构设计实现目标热导率或导热率的有力工具。
2021-08-31 cond-mat.mtrl-sci
On Open and Strong-Scaling Tools for Atom Probe Crystallography: High-Throughput Methods for Indexing Crystal Structure and Orientation
Max-Planck-Institut für Eisenforschung GmbH(马克斯·普朗克钢铁研究所);The University of Alabama(阿拉巴马大学);Imperial College London(伦敦帝国理工学院);The University of Sydney(悉尼大学)
体积晶体结构索引和取向映射是材料局部化学和微观结构之间空间相关性的几乎任何定量研究的关键数据处理步骤。对于电子和X射线衍射方法,可以开发索引工具,该索引工具比较测量和分析计算的图案,以解码感兴趣的局部区域内的结构和相对取向。因此,存在许多数值上有效且自动化的软件工具来解决上述表征任务。然而,对于原子探针层析成像(APT)实验,在测量和分析计算的模式之间进行比较的策略是不太鲁棒的,因为许多APT数据集可能包含大量的噪声。鉴于这种噪声的足够通用的预测模型仍然难以捉摸,APT的晶体学工具面临着几个限制:它们对噪声的鲁棒性,因此,它们识别和区分不同晶体结构和取向的能力有限。此外,这些工具是连续的,需要大量的人工交互。结合起来,这使得强大的不确定性量化与自动化高通量研究的潜在晶体学信息是一个困难的任务与APT数据。为了改善这种情况,我们回顾了现有的方法,并讨论了它们如何连接到衍射社区。有了这个,我们修改了一些APT方法,以产生更强大的原子排列的描述符。我们报告了这是如何实现开发一个开源软件工具,用于在具有多个相的纳米晶APT数据集中强缩放和自动识别晶体结构和映射晶体取向。
2020-09-01 cond-mat.mtrl-sci cs.AI cs.CV
A practical approach to Hohenberg-Kohn maps based on many-body correlations: learning the electronic density
高通量筛选技术相关领域的材料,如更好的催化剂,电子材料,陶瓷高温应用和药物发现的识别,是一个新兴的研究课题。为了促进这一点,通常使用基于密度泛函理论(DFT)的计算来计算各种材料的电子结构。然而,DFT计算是昂贵的,并且计算成本与系统中存在的电子数量的立方成比例。因此,期望生成可以缓解这些问题的替代模型。为此,我们提出了一个两步程序来预测大型三维系统(具有周期性边界条件)的总能量,使用小数据集每个原子的化学精度(1千卡/摩尔),这意味着这种模型可以在运行中训练。我们的程序基于Brockherde等人提出的Hohenberg-Kohn映射的想法(Nat. Commun,8,872(2017)),涉及两个训练模型:一个是直接从原子结构预测基态电荷密度$ρ(r)$,另一个是从$ρ(r)$预测总能量。为了预测$ρ(r)$,我们使用多体相关描述符来准确地描述网格点的邻域,并且使用这些多体相关描述符的幅度来预测总能量。利用多体描述符的幅度允许唯一地识别结构,同时考虑约束,例如平移不变性;另外,这样的公式独立于电荷密度网格。
2020-05-01 cond-mat.dis-nn cond-mat.mtrl-sci physics.chem-ph
Synthesis and Characterization of Compositionally Complex (Gd/Ho/Er/Dy)2Zr2O7 Thin Film Combinatorial Library
The University of Tennessee, Knoxville(田纳西大学诺克斯维尔分校);Laser Thermal(激光热技术公司);The University of Virginia(弗吉尼亚大学);Center for Nanophase Materials, Oak Ridge National Laboratory(橡树岭国家实验室纳米材料中心);National Synchrotron Light Source II, Brookhaven National Laboratory(布鲁克海文国家实验室第二代同步辐射光源);National Institute of Standards and Technology(美国国家标准与技术研究院)
本研究建立高通量组合薄膜合成与多模态表征工作流程,制备(GdDyHoEr)₂Zr₂O₇薄膜组合库,发现富Dy/Gd象限热导率最小值对应最大晶格参数,明确适配成分复杂性是热输运的关键描述符。
2026-09-04 cond-mat.mtrl-sci
Generative Inverse Design of Cold Metals for Low-Power Electronics
本文提出利用MatterGPT生成冷金属,通过训练集和统一的能带边缘距离描述符,生成大量候选结构并验证其稳定性与能带特性,为低功耗电子材料发现提供新途径。
2026-03-14 cond-mat.mtrl-sci cs.LG
Thermodynamics-Inspired High-Entropy Oxide Synthesis
本研究突破传统温度主导的高熵氧化物研究思路,提出以氧化学势调控为核心的合成策略,结合理论计算与实验验证合成多种新型岩盐型高熵氧化物,还提出氧化学势重叠度作为稳定性预测的新描述符,构建了普适性的研究框架。
2025-03-12 cond-mat.mtrl-sci
Explainable machine learning to enable high-throughput electrical conductivity optimization and discovery of doped conjugated polymers
Nanyang Technological University(南洋理工大学);National University of Singapore(新加坡国立大学)
提出基于吸光度光谱的机器学习方法,结合分类与回归模型加速掺杂聚合物电导率测量,提升89%效率并实现模型可解释性,为材料优化提供新途径。
2024-04-27 cond-mat.mtrl-sci cs.LG physics.app-ph
Searching for Materials with High Refractive Index and Wide Band Gap: A First-Principles High-Throughput Study
结合高折射率和宽带隙的材料对于光电和传感器应用具有极大的兴趣。然而,这两种性质通常由与小间隙材料中出现的高折射率的逆相关性来描述,反之亦然。在这里,我们对4000多种半导体(特别关注氧化物)进行了第一性原理高通量研究。我们的数据证实了折射率和带隙之间的一般反向趋势,但也确定了有趣的离群值。然后,通过一个简单的模型,涉及两个主要的描述符:平均光学间隙和有效频率的数据进行分析。前者可以直接由化合物的电子结构确定,而后者则不能。这需要进一步分析,以获得预测模型。尽管如此,事实证明,大带隙对折射率的负面影响可以通过两种方式抵消:(i)通过限制直接带隙和平均光学带隙之间的差异,这可以通过光学跃迁的能量的窄分布来实现,以及(ii)通过增加有效频率,可以通过从价带顶部到传导底部的大量跃迁或高平均跃迁来实现有效频率这些转变的可能性。专注于氧化物,我们使用我们的数据来研究化学如何影响这种反比关系,并合理解释为什么某些类别的材料会表现得更好。我们的研究结果可以用来寻找新的化合物在许多光学应用中的线性和非线性政权(波导,光调制器,激光器,频率转换器等)。
2019-03-25 cond-mat.mtrl-sci physics.comp-ph physics.optics
Geometry-based Discovery of Calcium Battery Cathodes Accelerated by Foundational Machine-Learned Models
Indian Institute of Science(印度科学学院)
通过几何和化学设计原则,结合机器学习模型,从材料项目数据库中筛选出37种有前景的钙电池正极候选材料,其中两种具有极低的Ca²⁺迁移势垒,四种具有热力学稳定的充电态。
2026-05-27 cond-mat.mtrl-sci
Quantum-inspired Chemical Rule for Discovering Topological Materials
Anhui University(安徽大学);University of Alabama at Birmingham(阿拉巴马大学伯明翰分校);Shenzhen University(深圳大学);Xiamen University(厦门大学)
研究旨在发现拓扑材料,通过开发混合量子-经典神经网络将启发式拓扑性规则扩展为量子启发公式,能高效且可推广地进行拓扑分类,经验证发现五种未报道的拓扑化合物。
2026-07-07 cond-mat.mtrl-sci
Prescreening Point Defects in Semiconductors With Machine Learning
Linköping University(林雪平大学)
本研究探索物理引导的机器学习模型,用于预筛选半导体点缺陷,预测形成能和零声子线,在4H-SiC上实现较低误差,可加速高通量表征流程。
2026-11-17 cond-mat.mtrl-sci cs.LG
BenchML: an extensible pipelining framework for benchmarking representations of materials and molecules at scale
Astex Pharmaceuticals(Astex制药公司);University of Cambridge(剑桥大学);The Institute of Science and Technology Austria(奥地利科学技术研究所)
我们引入了一个机器学习(ML)框架,用于对材料和分子数据集进行化学系统的不同表示的高通量基准测试。基准测试方法的指导原则是通过将模型复杂性限制为简单回归方案来评估原始描述符性能,同时实施最佳ML实践,允许无偏超参数优化,并通过一系列同步训练测试分割的学习曲线来评估学习进度。由此产生的模型旨在作为基线,可以为未来的方法开发提供信息,其次是指示给定数据集的学习容易程度。通过对不同的物理化学、拓扑和几何表示的训练结果进行比较分析,我们深入了解了这些表示的相对优点以及它们之间的相互关系。
2021-12-04 cond-mat.mtrl-sci cs.LG physics.chem-ph
From Data to Alloys Predicting and Screening High Entropy Alloys for High Hardness Using Machine Learning
Birla Institute of Technology and Science Pilani(比拉理工学院皮拉尼分校)
本研究采用机器学习框架,基于元素描述符预测高熵合金硬度,发现LightGBM模型准确性最佳,并通过生成超900万虚拟候选物进行高通量筛选,加速下一代高熵合金开发。
2025-09-16 cond-mat.mtrl-sci physics.comp-ph