Skalierung von Deep Learning für die Materialentdeckung

Neue funktionale Materialien ermöglichen grundlegende Durchbrüche in technologischen Anwendungen von sauberer Energie bis hin zur Informationsverarbeitung1-11. Von Mikrochips über Batterien bis hin zu Photovoltaik wurde die Entdeckung anorganischer Kristalle durch teure Trial-and-Error-Ansätze behindert. Gleichzeitig haben Deep-Learning-Modelle für Sprache, Vision und Biologie emergente Vorhersagefähigkeiten mit zunehmenden Daten und Berechnungen gezeigt12-14. Hier zeigen wir, dass graphbasierte Netzwerke, die in großem Maßstab trainiert wurden, unvergleichliche Verallgemeinerungsniveaus erreichen können, wodurch die Effizienz der Materialentdeckung um einen Größenordnungsfaktor verbessert wird. Basierend auf 48.000 stabilen Kristallen, die in fortlaufenden Studien identifiziert wurden15-17, ermöglicht die verbesserte Effizienz die Entdeckung von 2,2 Millionen Strukturen unterhalb des aktuellen konvexen Rands, von denen viele der vorhergehenden menschlichen chemischen Intuition entgangen sind. Unsere Arbeit stellt eine Größenordnungserweiterung der stabilen Materialien dar, die der Menschheit bekannt sind. Stabile Entdeckungen, die sich am endgültigen konvexen Rand befinden, werden zur Verfügung stehen, um auf technologische Anwendungen untersucht zu werden, wie wir es für schichtartige Materialien und Kandidaten für feste Elektrolyte demonstrieren. Von den stabilen Strukturen wurden bereits 736 unabhängig experimentell realisiert. Der Umfang und die Vielfalt von Hunderten Millionen von Berechnungen aus ersten Prinzipien eröffnen auch Modellierungsmöglichkeiten für nachgelagerte Anwendungen, was insbesondere zu hochgenauen und robusten gelernten interatomaren Potenzialen führt, die in der Molekulardynamik-Simulation im kondensierten Zustand und in der hochgenauen Zero-Shot-Vorhersage der Ionenleitfähigkeit verwendet werden können.