Ordered-to-disordered transfer learning with graph neural networks for formation-energy and HOMO-LUMO gap prediction in high-entropy perovskite oxides
本研究表明，利用图神经网络进行的有序-无序迁移学习能有效预测高熵钙钛矿氧化物的形成能，但若要准确模拟对局部化学环境具有敏感性的 HOMO-LUMO 能隙，则需要补充 HEPO 特异性数据和三体几何表示。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下你是一位正在尝试发明终极汤品的顶级大厨。你的储藏室里堆满了食材，但你并没有只挑选一两种，而是决定一次性扔进五种不同的香料、三种蔬菜和一把各种各样的草药。这就是“高熵”材料的世界：一个超级复杂的厨房，科学家们将许多不同的原子混合在一起，以创造出具有神奇力量的新物质，比如超强陶瓷或能以奇特方式导电的材料。问题在于，这种“汤”是如此混乱且难以预测，以至于即使是最聪明的计算机模拟，在它煮好之前也难以品尝出它的味道。这就像试图通过观察一勺排列整齐的完美食材来猜测整锅汤的味道，而真正的锅中却是一个混乱交织的风暴。
为了解决这个问题，科学家们使用了一个聪明的技巧，叫做“迁移学习”。把它想象成学习开车。你不会直接驾驶一辆在泥坑里横冲直撞的、混乱的越野猛兽卡车；你会先在一条平整、有序、有清晰车道标记的高速公路上开始学习。一旦你在那条简单的公路上掌握了交通规则，你或许就能在只需一点额外练习的情况下，应对那片混乱的泥坑。这篇论文提出了一个迫切的问题：如果我们教计算机使用简单、有序的“高速公路”配方来预测材料的性质，它是否能瞬间预测那些混乱的“泥坑”高熵汤品的性质？如果不能，它到底需要多少额外的练习？
研究人员来自法国利摩日大学，他们通过使用一种被称为钙钛矿氧化物的特定材料来测试这个想法。这些材料是许多现代技术的基石。他们创建了一个庞大的数字库，其中包含数千种“有序”的配方（原子排列整齐）和数千种“无序”的配方（原子随机混合，就像高熵钙钛矿一样）。然后，他们训练了四种不同类型的“人工智能厨师”（称为图神经网络），来预测两件事：材料的稳定性（形成能）以及它处理电力的能力（HOMO-LUMO 能隙，这是一种描述电子跳跃难易程度的专业说法）。
以下是他们的发现，这是一个关于两种截然不同结果的故事。首先，人工智能厨师在预测稳定性方面表现出色。当它们仅在整洁、有序的高速公路配方上接受训练时，它们观察混乱的泥坑高熵汤品并猜测其稳定性的准确度几乎与有序配方持平。事实证明，原子如何粘合以保持稳定的规则，无论是在整洁的厨房还是混乱的厨房中都惊人地相似。人工智能如此完美地掌握了“粘合的物理学”，以至于它不需要看到混乱的汤也能知道它是否能保持稳固。
然而，当他们尝试预测电学性质（HOMO-LUMO 能隙）时，故事发生了彻底的变化。即使是最聪明的人工智能厨师，如果它们只见过整洁的配方，在预测混乱汤品的电学行为时也会表现得很糟糕。它们的误差增加了约十倍！看来，电力对原子的精确排列极其敏感。原子在混乱结构中的位置发生微小的偏移，就会改变电流，而人工智能仅凭观察有序的高速公路无法理解这一点。
但有一个圆满的结局。研究人员发现，人工智能并不需要看到所有的混乱汤品就能很好地预测电学性质。他们只需要给人工智能提供一小口“试吃”——只需将 20% 的混乱训练数据混合在有序数据中。通过这次小小的“品尝环节”，人工智能对电学性质的预测得到了显著改善，误差率从巨大的 0.28 eV 降到了非常精确的 0.07 eV。
团队还测试了不同类型的人工智能架构。他们发现最好的厨师是一个名为 ALIGNN 的模型。这个模型很特别，因为它不仅观察哪些原子是邻居，还会关注它们之间的“角度”，比如留意化学键是弯曲的还是直的。这种“感知角度”的厨师在理解这些材料的复杂几何结构方面比其他模型表现得更好，这证明了要理解这些材料，你必须关注连接的形状，而不仅仅是食材本身。
简而言之，这篇论文表明，我们可以利用简单、有序的材料来训练人工智能，从而在无需太多麻烦的情况下预测复杂、混乱的高熵材料的稳定性。但如果我们想要预测它们如何导电，我们不能仅仅依赖有序的训练；我们需要给人工智能提供一小份特定的、混乱现实的样本，来进行精细调整。这是一个强大的策略：在高速公路上学习基础知识，然后通过一次快速的泥地绕行来掌握剩余的部分。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。