Les méthodes d’apprentissage automatique (ML) deviennent des méthodes standards qui s’appliquent dans de nombreux domaines, y compris les sciences des matériaux. Dans ce manuscrit, nous démontrons comment le ML peut être utilisé pour prédire efficacement plusieurs propriétés dans les applications de la chimie du solide, en particulier, pour estimer la chaleur de formation d’une phase cristallographique complexe donnée (ici, la phase s, tP30, D8b). Sur la base d’un grand ensemble de données indépendantes obtenues par calculs premiers principes (DFT), contenant environ 10 000 composés avec n = 14 éléments différents, nous avons utilisé une approche d’apprentissage supervisé pour prédire toutes les ~ 500 000 configurations possibles. A partir d’un ensemble aléatoire de 1000 échantillons, les prédictions sont obtenues avec une erreur absolue moyenne de 23 meV at−1 (2 kJ mol−1) sur la chaleur de formation et de 0,06 sur les paramètres de maille tétragonale. Nous montrons que la régression à partir d’un réseau de neurones profonds entraîne une amélioration significative de la précision par rapport aux techniques de régression traditionnelles. Nous avons également intégré des descripteurs de nature physique (rayon atomique, nombre d’électrons de valence), et nous observons qu’ils améliorent la précision du modèle. Nous concluons de nos expériences numériques que la base de données d’apprentissage composée uniquement des compositions binaires joue un rôle majeur dans la prédiction des configurations du système de degré supérieur. Nos résultats ouvrent une large voie vers des études efficaces de criblage des calculs binaires combinatoires pour la prédiction de phases intermétalliques complexes à multi-constituants.
Référence