.png){kind=icon}
返回
Modular Composition-to-Structure Machine-Learning Workflow for Hypothesis Generation in Lithium Solid Electrolytes
.png){kind=icon}
PRE
AI
DOI：10.1021/acs.jpcc.6c02979.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
机器学习筛选锂固态电解质通常在成分层面进行，无法表示多晶型依赖的传输，或在固定晶体结构数据库中进行，无法访问未探索的成分和结构。本文提出了一种模块化两阶段工作流程，将受约束的成分生成和成分基性质预测与随机晶体结构生成、机器学习势弛豫以及结构感知排名相结合。各个算法已建立；方法论贡献在于将其整合为一种从成分到结构的假设生成管道，该管道不受已知结构固定列表的限制。该工作流程通过M3GNet预弛豫和内部对4600个PyXtal生成的试验结构的排名执行。由于结构感知模型的MAE为2.72 log10单位，且未进行候选特定不确定性分析、适用域分析、DFT重新优化、凸包分析、传输模拟或实验验证，因此生成的结构级评分不被解释为定量电导率或物理可行性的证据。因此，所展示的贡献是一种验证感知的早期筛选架构，用于产生后续高保真度评估的假设，而非验证的固态电解质发现。