Crystal structure prediction using data mining techniques/through a neural approach

Abstract

La prédiction de la propriété d’énergie des structures cristallines en utilisant l’intelligence artificielle est un domaine de recherche significatif, à la fois pour la science des matériaux et l’industrie. Cette étude multidisciplinaire améliore la compréhension scientifique et présente des applications réelles, ce qui la rend importante pour les chercheurs et les industries à la recherche de technologies plus efficaces. Elle fournit des outils précis pour concevoir des matériaux aux propriétés sur mesure, réduisant considérablement le temps d’exécution et les ressources coûteuses nécessaires aux tests traditionnels. Ce travail explore des modèles d’intelligence artificielle (apprentissage automatique et apprentissage profond) pour remplacer la prédiction de l’énergie des structures cristallines en laboratoire. A cette fin, des fonctions de distribution à deux et trois corps ont été utilisées pour transformer les détails complexes et bruts des matériaux collectés en entrées lisibles par machine, résultant en des descripteurs structurels et atomiques. Ensuite, des algorithmes d’apprentis sage automatique/profond, à savoir ElasticNet, Bayesian ridge, forêt d’arbre de décision, machine à vecteurs de support et réseaux de neurones profonds, ont été utilisés pour modéliser la relation entre la propriété de l’énergie et les descripteurs structurels. De plus, une topologie non conventionnelle de réseaux de neurones profonds a été proposée et implémentée pour prendre en charge les descripteurs atomiques. Un ajustement des hyperparamètres a été réalisé sur chaque modèle à des fins d’optimisation. De plus, des métriques d’évaluation ont été utilisées pour tester et évaluer la prédiction d’énergie obtenue par les modèles étudiés afin d’identifier les descripteurs les plus robustes et le modèle le plus performant. Les résultats de cette étude ont révélé que la prédiction d’énergie la plus précise a été obtenue en utilisant la combinaison des fonctions de distribution atomique à deux et trois corps en tant que descripteur, ainsi que le modèle de réseaux de neurones profonds proposé.