Informacja

Drogi użytkowniku, aplikacja do prawidłowego działania wymaga obsługi JavaScript. Proszę włącz obsługę JavaScript w Twojej przeglądarce.

Przeglądasz jako GOŚĆ
Tytuł pozycji:

Constrained crystals deep convolutional generative adversarial network for the inverse design of crystal structures

Tytuł :
Constrained crystals deep convolutional generative adversarial network for the inverse design of crystal structures
Autorzy :
Teng Long
Nuno M. Fortunato
Ingo Opahle
Yixuan Zhang
Ilias Samathrakis
Chen Shen
Oliver Gutfleisch
Hongbin Zhang
Pokaż więcej
Temat :
Materials of engineering and construction. Mechanics of materials
TA401-492
Computer software
QA76.75-76.765
Źródło :
npj Computational Materials, Vol 7, Iss 1, Pp 1-7 (2021)
Wydawca :
Nature Publishing Group, 2021.
Rok publikacji :
2021
Kolekcja :
LCC:Materials of engineering and construction. Mechanics of materials
LCC:Computer software
Typ dokumentu :
article
Opis pliku :
electronic resource
Język :
English
ISSN :
2057-3960
Relacje :
https://doaj.org/toc/2057-3960
DOI :
10.1038/s41524-021-00526-4
Dostęp URL :
https://doaj.org/article/6d1f4eebd57e4377b41f8f324c970e86
Numer akcesji :
edsdoj.6d1f4eebd57e4377b41f8f324c970e86
Czasopismo naukowe
Abstract Autonomous materials discovery with desired properties is one of the ultimate goals for materials science, and the current studies have been focusing mostly on high-throughput screening based on density functional theory calculations and forward modeling of physical properties using machine learning. Applying the deep learning techniques, we have developed a generative model, which can predict distinct stable crystal structures by optimizing the formation energy in the latent space. It is demonstrated that the optimization of physical properties can be integrated into the generative model as on-top screening or backward propagator, both with their own advantages. Applying the generative models on the binary Bi-Se system reveals that distinct crystal structures can be obtained covering the whole composition range, and the phases on the convex hull can be reproduced after the generated structures are fully relaxed to the equilibrium. The method can be extended to multicomponent systems for multi-objective optimization, which paves the way to achieve the inverse design of materials with optimal properties.

Ta witryna wykorzystuje pliki cookies do przechowywania informacji na Twoim komputerze. Pliki cookies stosujemy w celu świadczenia usług na najwyższym poziomie, w tym w sposób dostosowany do indywidualnych potrzeb. Korzystanie z witryny bez zmiany ustawień dotyczących cookies oznacza, że będą one zamieszczane w Twoim komputerze. W każdym momencie możesz dokonać zmiany ustawień dotyczących cookies