Physically Informed Machine Learning Prediction of Electronic Density of States

工作流程 忠诚 钥匙(锁) 集合(抽象数据类型) 机器学习 人工智能 计算机科学 理论计算机科学 电信 计算机安全 数据库 程序设计语言
作者
Victor Fung,Panchapakesan Ganesh,Bobby G. Sumpter
出处
期刊:Chemistry of Materials [American Chemical Society]
卷期号:34 (11): 4848-4855 被引量:24
标识
DOI:10.1021/acs.chemmater.1c04252
摘要

The electronic structure of a material, such as its density of states (DOS), provides key insights into its physical and functional properties and serves as a valuable source of high-quality features for many materials screening and discovery workflows. However, the computational cost of calculating the DOS, most commonly with density functional theory (DFT), becomes prohibitive for meeting high-fidelity or high-throughput requirements, necessitating a cheaper but sufficiently accurate surrogate. To fulfill this demand, we develop a general machine learning method based on graph neural networks for predicting the DOS purely from atomic positions, six orders of magnitude faster than DFT. This approach can effectively use large materials databases and be applied generally across the entire periodic table to materials classes of arbitrary compositional and structural diversity. We furthermore devise a highly adaptable scheme for physically informed learning which encourages the DOS prediction to favor physically reasonable solutions defined by any set of desired constraints. This functionality provides a means for ensuring that the predicted DOS is reliable enough to be used as an input to downstream materials screening workflows to predict more complex functional properties, which rely on accurate physical features.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
刚刚
zimuxinxin完成签到,获得积分10
刚刚
1秒前
科研通AI2S应助完美的海秋采纳,获得10
1秒前
8R60d8应助Yara.H采纳,获得10
1秒前
现代的岩完成签到,获得积分10
2秒前
huyang完成签到,获得积分10
2秒前
Uniibooy完成签到 ,获得积分10
3秒前
MJT10086完成签到,获得积分10
3秒前
zeng发布了新的文献求助10
5秒前
6秒前
7秒前
CPU完成签到 ,获得积分10
9秒前
Grsia完成签到 ,获得积分10
9秒前
Ahua发布了新的文献求助10
10秒前
饺子完成签到,获得积分10
10秒前
11秒前
岑靖仇发布了新的文献求助10
11秒前
wen完成签到,获得积分10
11秒前
代宇发布了新的文献求助10
12秒前
wuchun完成签到,获得积分10
12秒前
希望天下0贩的0应助LZHWSND采纳,获得10
13秒前
阳佟念真完成签到,获得积分10
13秒前
13秒前
Grsia关注了科研通微信公众号
14秒前
Yanki完成签到,获得积分10
15秒前
上官若男应助550采纳,获得10
15秒前
哀泣魅影发布了新的文献求助10
16秒前
烟花应助李蕾采纳,获得10
16秒前
平安喜乐完成签到 ,获得积分10
17秒前
英俊的铭应助西尔多采纳,获得10
18秒前
18秒前
Jin完成签到,获得积分10
18秒前
18秒前
19秒前
花Cheung完成签到,获得积分10
19秒前
直率的冰海完成签到,获得积分10
20秒前
stacy完成签到 ,获得积分10
20秒前
科研通AI2S应助shizi采纳,获得10
21秒前
21秒前
高分求助中
The late Devonian Standard Conodont Zonation 2000
Semiconductor Process Reliability in Practice 1500
Handbook of Prejudice, Stereotyping, and Discrimination (3rd Ed. 2024) 1200
Nickel superalloy market size, share, growth, trends, and forecast 2023-2030 1000
Smart but Scattered: The Revolutionary Executive Skills Approach to Helping Kids Reach Their Potential (第二版) 1000
Mantiden: Faszinierende Lauerjäger Faszinierende Lauerjäger 800
PraxisRatgeber: Mantiden: Faszinierende Lauerjäger 800
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3244023
求助须知:如何正确求助?哪些是违规求助? 2887881
关于积分的说明 8250101
捐赠科研通 2556472
什么是DOI,文献DOI怎么找? 1384639
科研通“疑难数据库(出版商)”最低求助积分说明 649901
邀请新用户注册赠送积分活动 625972