【材料】J. Phys. Chem. Lett. ┃密度泛函理论与机器学习融合加速材料设计

文章预览

英文原题： Putting Density Functional Theory to the Test in Machine-Learning-Accelerated Materials Discovery 通讯作者： Heather J. Kulik，麻省理工学院 作者： Chenru Duan (段辰儒)，Fang Liu (刘芳), Aditya Nandy, Heather J. Kulik 设计空间几何增长是材料设计中的一大挑战。机器学习（ML）加速探索材料设计已经开始在的这一挑战中发挥作用，并显著提高了发现材料的效率。然而，这个流程暗含了密度泛函理论（DFT）产生的训练集的统计上的偏见。并且，在使用高通量计算产生训练集的时候，大量的计算会失败。这种情况对于一些有趣的，例如含有自由基，或者金属配位键的开壳层过渡金属功能材料和催化过程尤为显著。虽然这些材料非常吸引人，他们的复杂的电子结构和设计空间的几何增长使得该类材 ………………………………