Crystal Materials Design via Physics-Guided Evolutionary Multi-Objective Optimization With Knowledge Transfer

Cheng Chen

doi:10.1109/tetci.2026.3684514

Crystal Materials Design via Physics-Guided Evolutionary Multi-Objective Optimization With Knowledge Transfer

2026-05-07

0

PRE

AI

DOI：10.1109/tetci.2026.3684514

原文链接

原文求助

摘要

En 中文

基于机器学习的晶体材料设计方法具有显著的科学价值和社会进步意义。近年来，基于机器学习的方法在晶体材料设计领域展现出巨大潜力。然而，这些方法的有效性高度依赖于高质量且大规模的训练数据集，而实际中这类数据的收集往往面临挑战。为此，我们提出了一种新颖的物理信息进化迁移优化框架，能够在无需大量数据的情况下设计新型晶体材料。具体而言，我们引入了一种物理信息编码方法，能够利用多目标进化优化同时优化晶体材料设计的多个关键物理目标，包括材料的有效性、性质和能量。此外，为缓解进化计算的优化速度较慢的问题，我们提出了一种物理信息进化迁移优化技术，以提升优化材料的设计速度。我们进行了全面实验，从有效性、密度泛函理论（DFT）验证、形成能和能量以上凸包等角度分析了设计的晶体。实验结果表明，所提出的物理信息多目标进化优化框架在晶体材料设计中具有巨大的潜力。

Keyword:

Evolutionary algorithms

material design

multi-objective optimization

Crystal Materials Design via Physics-Guided Evolutionary Multi-Objective Optimization With Knowledge Transfer

摘要

期刊

机构

引用论文