基于反向变分自编码器的化学无序材料分区函数的生成方法
原文中文，约400字，阅读约需1分钟。发表于：。本研究解决了化学无序材料的原子尺度性质计算中配置空间探索效率低的问题。我们提出了一种新颖的生成性机器学习方法，通过反向变分自编码器生成代表性配置集合，以进行高效的性质评估和原子尺度属性的准确估算。我们的研究展示了该方法在(U, Pu)O2混合氧化物燃料中计算点缺陷形成能和浓度的应用，具有广泛的潜在影响，可用于探索其他材料的原子尺度扩散系数等性质。
本文提出了一种基于变分自编码器 (VAE) 的模型，用于构建前向和逆向的结构-性质联系。该模型通过双层先验条件于回归变量来结合VAE和回归模型，可以用于前向和逆向预测微观结构的属性。实验结果表明，该模型在前向预测方面与最先进的仅前向模型一样准确，并且能够实现所需的属性，避免了昂贵的优化过程。
