大规模从头计算与结构预测的进步相结合，在无机功能材料的发现中发挥了重要作用。目前，在无机材料的广阔化学空间中，只发现了一小部分。实验和计算研究人员都需要加速探索未知的化学空间。
来自美国国家可再生能源实验室（NREL）、科罗拉多矿业学院和伊利诺伊大学的研究人员展示了一种可以准确预测无机化合物性质的机器学习方法。展示了基态（GS）和更高能量结构的平衡训练数据集，对使用通用图神经网络（GNN）架构准确预测总能量的重要性。该研究可加速固态电池的设计。
该研究以「Predicting energy and stability of known and hypothetical crystals using graph neural network」为题，发表在《Patterns》杂志上。
对于基准测试，研究人员在来自 NREL 材料数据库 (NRELMatDB) 的 ICSD（无机晶体结构数据库） 结构的 DFT 总能量上训练 CGCNN 模型。该模型在 15,500 个晶体结构上进行了训练，每个结构都保留了 其中 500 个用于验证和测试。

论文链接：https://doi.org/10.1016/j.patter.2021.100361

参考内容：https://techxplore.com/news/2021-12-machine-method-battery-materials.html

内容中包含的图片若涉及版权问题，请及时与我们联系删除