从古代矿物到新材料：使用图神经网络模型进行熔融温度预测

在常压下，如果你施加足够的热量，大多数东西都会融化，就像炎热夏日的冰淇淋一样。

了解准确的熔化温度对于构建任何高性能材料都至关重要。飞机上的桥梁、燃气轮机、喷气发动机和隔热罩的建造和安全取决于对材料性能极限的了解。材料通常采用熔融或液态合成或加工，因此了解熔融对于制造新材料至关重要。

然而，高温材料的熔化温度，通常难以快速测量或计算；在 200,000 种已知无机化合物中，只有不到 10% 的熔点是已知的。

在这里，亚利桑那州立大学（Arizona State University）的研究人员采用机器学习方法通过建立从化学式到熔化温度的快速准确映射来填补这一空白。

他们建立了一个机器学习模型，在包含 10,000 种化合物的数据库上进行训练，可以在几分之一秒内预测熔解温度。该模型在线公开，具有图神经网络和残差神经网络架构。

该模型将促进涉及广泛领域熔化温度的大规模数据分析，包括耐火材料的发现、新型提取冶金工艺的设计、地质时期矿物形成和演化的建模以及系外行星结构的预测。

该研究以「Melting temperature prediction using a graph neural network model: From ancient minerals to new materials」为题，于 2022 年 8 月 31 日发布在《PNAS》。