Vorantreiben der Vorhersage der Materialstabilität: Nutzung von maschinellem Lernen und hochdimensionalen Daten für verbesserte Genauigkeit

Die Vorhersage der Materialstabilität ist entscheidend für die Beschleunigung der Entdeckung fortschrittlicher Materialien in erneuerbarer Energie, Luft- und Raumfahrt sowie Katalyse. Traditionelle Ansätze, wie die Dichtefunktionaltheorie (DFT), sind genau, aber rechnerisch teuer und für die Hochdurchsatz-Screening ungeeignet. Diese Studie stellt ein maschinelles Lernframework (ML) vor, das auf hochdimensionalen Daten aus der Open Quantum Materials Database (OQMD) trainiert wurde, um die Bildungsenergie, eine wichtige Stabilitätsmetrik, vorherzusagen. Unter den evaluierten Modellen übertrafen Deep Learning die Gradient Boosting Machines und den Random Forest und erreichten bis zu 0,88 R2 Vorhersagegenauigkeit. Die Analyse der Merkmalsbedeutung identifizierte thermodynamische, elektronische und strukturelle Eigenschaften als die Haupttreiber der Stabilität, was interpretierbare Einblicke in das Verhalten von Materialien bietet. Im Vergleich zur DFT reduziert das vorgeschlagene ML-Framework die Rechenkosten erheblich, wodurch das schnelle Screening von Tausenden von Verbindungen ermöglicht wird. Diese Ergebnisse unterstreichen das transformative Potenzial von ML in der Materialentdeckung mit direkten Anwendungen in der Energiespeicherung, Halbleitern und Katalyse.