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.pdfVIP

物

理

学

报

Acta

Phys.

Sin.

Vol.

72,

No.

2

(2023)

028901

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*

1)2)1)2)†

孙涛袁健美

1)(湘潭大学数学与计算科学学院,湘潭411105)

2)(科学工程计算与数值仿真湖南省重点实验室,湘潭411105)

(2022年7月11日收到;2022年10月9日收到修改稿)

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.

关键词：原子特征表示,深度学习,过渡金属硫化物,带隙

PACS：89.90.+nDOI:10.7498/aps.72

种材料表征方法,并且通过在公共数据集上对材

1引言料的带隙、形成能和临界温度进行预测验证了其有

[7]

效性.Chen等利用图神经网络建立MEGNet来

传统的材料科学研究通常需要经过大量的计预测分子和晶体的性质,在QM9数据集上预测了

算得到材料的目标属性,这通常会消耗大量时间和13个目标性质,其中11个性质优于之前的预测效

[8]

资源.随着人工智能的快速发展,深度学习技术已果.Li等提出了一种结合卷积神经网络和长短

[1][2]