基于梯度的高TC超导体设计方法:通过自适应约束利用领域知识
材料设计旨在发现具有所需性能的新型化合物。 然而,当前的战略面临着关键的权衡。 传统的元素替代方法很容易和适应性地纳入各种领域知识,但仍然局限于狭隘的搜索空间。 相比之下,深度生成模型有效地探索了广阔的组合景观,但它们难以灵活地整合领域知识。 为了解决这些权衡,我们提出了一个基于梯度的材料设计框架,结合了这些优势,提供了效率和适应性。 在我们的方法中,化学成分经过优化,通过使用属性预测模型及其梯度来实现目标属性。 为了无缝地执行各种约束,包括那些反映领域见解,如氧化状态,离散的成分比,元素类型及其丰度,我们应用掩码并采用特殊的损失函数,即整数损失。 此外,我们使用现有数据集中有前途的候选者来初始化优化,有效地引导搜索远离不利区域,从而帮助避免糟糕的解决方案。 我们的方法展示了对超导体候选的更有效的探索,发现了比传统元素替代和生成模型具有更高临界温度的候选材料。 重要的是,它可以提出超出现有数据库中的新组合物,包括训练数据集中缺少的新氢化物超导体,但与文献中发现的材料具有组合相似性。 这种领域知识和基于机器学习的可扩展性的协同作用为超导体及其他领域的快速,适应性和全面的材料设计提供了坚实的基础。
超导电性材料科学机器学习
