针对快速获取钙钛矿材料带隙值的问题,建立特征融合神经网络模型(CGCrabNet),利用迁移学习策略对钙钛矿材料的带隙进行预测.CGCrabNet从材料的化学方程式和晶体结构两方面提取特征,并拟合特征和带隙之间的映射,是一个端到端的神经网络模型.在开放量子材料数据库中数据(OQMD数据集)预训练的基础上,通过仅175条钙钛矿材料数据对CGCrabNet参数进行微调,以提高模型的稳健性.数值实验结果表明,CGCrabNet在OQMD数据集上对带隙的预测误差比基于注意力的成分限制网络(CrabNet)降低0.014 eV;本文建立的模型对钙钛矿材料预测的平均绝对误差为0.374 eV,分别比随机森林回归、支持向量机回归和梯度提升回归的预测误差降低了 0.304 eV、0.441 eV和0.194 eV;另外,模型预测的SrHfO3和RbPaO3等钙钛矿材料的带隙与第一性原理计算的带隙相差小于0.05 eV,这说明CGCrabNet可以快速准确地预测钙钛矿材料的性质,加速新材料的研发过程.
维普
万方数据
