BriefGPT - AI 论文速递
·
BAMBOO: 液态电解质开发的可预测和可传递的机器学习力场框架
💡
原文中文，约400字，阅读约需1分钟。
📝
内容提要
通过整合深度学习和寻找新的电声子超导体的研究，利用计算材料的谱函数和训练深度学习模型，提高了预测精度，降低了临界温度误差，并展示了实际应用。
🎯
关键要点
-
整合深度学习与寻找新的电声子超导体的研究是一个蓬勃发展的领域。
-
主要挑战在于计算电声子谱函数 α²F (ω)。
-
采用两步法计算 818 种动态稳定材料的 α²F (ω)。
-
使用非常规的训练策略训练深度学习模型 BETE-NET 来预测 α²F (ω)。
-
通过增加模型的归一化改进预测精度。
-
将声子密度的领域知识结合到模型的节点属性中，提高预测精度。
-
该方法降低了临界温度 $T_c$ 的平均绝对误差（MAE）至 2.1K。
-
对高温超导体材料的高通量筛选展示了实际应用。
-
BETE-NET 加速高温超导体的搜索，为材料发现中应用机器学习树立了先例，特别是在数据有限的情况下。
➡️
