Глубокие нейронные сети для точного прогнозирования стабильности кристаллов

Прогнозирование стабильности кристаллов является одной из центральных задач материаловедения. В настоящее время расчёты в рамках теории функционала плотности (DFT) остаются сравнительно затратными и плохо масштабируются с увеличением размера системы. Здесь мы показываем, что глубокие нейронные сети, использующие всего два дескриптора — электроотрицательность по Полингу и ионные радиусы, — способны предсказывать энергии образования гранатов C3A2D3O12 и перовскитов ABO3, рассчитанные методом DFT, с низкими средними абсолютными ошибками (MAE), составляющими соответственно 7–10 мэВ на атом и 20–34 мэВ на атом, что значительно меньше пределов точности DFT. Дальнейшее расширение метода на смешанные гранаты и перовскиты с незначительной потерей точности может быть достигнуто с использованием схемы бинарного кодирования, что позволяет устранить существенный пробел при переносе моделей машинного обучения от кристаллов с фиксированной стехиометрией к бесконечному множеству кристаллов со смешанным видовым составом. Наконец, мы демонстрируем потенциал этих моделей для быстрого перебора обширных химических пространств и точной идентификации стабильных составов, что ускоряет открытие новых материалов с потенциально улучшенными свойствами.