首页|基于深度学习原子特征表示方法的Janus过渡金属硫化物带隙预测

基于深度学习原子特征表示方法的Janus过渡金属硫化物带隙预测

Prediction of band gap of transition metal sulfide with Janus structure by deep learning atomic feature representation method

扫码查看
原文链接
  • 国家科技期刊平台
  • NETL
  • NSTL
  • 维普
  • 万方数据
随着人工智能的发展,机器学习在材料计算中的应用越来越广泛.将机器学习应用到材料性质预测等任务中首要实现的是获得有效的材料特征表示.本文采用一种原子特征表示方法,研究一种低维、密集的分布式原子特征向量,并用于材料带隙预测任务.按照材料化学式中原子种类和原子个数,使用Transformer编码器作为模型结构,通过训练大量的材料化学式数据,从而提取参与训练元素的特征.利用该方法预测Janus结构过渡金属硫族化合物MXY(M代表过渡金属,X,Y是不同硫族元素)二维材料带隙.基于深度学习得到的原子特征向量比传统的Magpie方法和Atom2Vec方法的预测平均绝对误差更小.可视化分析和材料性质预测数值实验表明,本文提出的基于深度学习提取的原子特征表示方法,可以有效表征材料特征,并且应用到材料带隙预测任务中.

孙涛、袁健美

展开 >

湘潭大学数学与计算科学学院, 湘潭 411105

科学工程计算与数值仿真湖南省重点实验室, 湘潭 411105

原子特征表示 深度学习 过渡金属硫化物 带隙

湖南省自然科学基金湖南省学位与研究生教育改革研究项目湖南省学位与研究生教育改革研究项目湖南省研究生科研创新项目

2021JJ306502020JGYB0972020JGYB098QL20210142

2023

10.7498/aps.72.20221374

物理学报
中国物理学会，中国科学院物理研究所

物理学报

CSTPCDCSCD北大核心
影响因子：1.038
ISSN：1000-3290
年,卷(期)：2023.72(2)
  • 27