Aprendizaje multimodal de capacidad calorífica basado en transformadores y preentrenamiento en cristalografía

Las propiedades térmicas de los materiales son esenciales para muchas aplicaciones de dispositivos electrónicos térmicos. La teoría del funcional de densidad (TFD) ha demostrado capacidad para obtener un cálculo preciso. Sin embargo, el alto costo computacional limita la aplicación del método de TFD para la evaluación de materiales de alto rendimiento. Recientemente, los modelos de aprendizaje automático, especialmente las redes neuronales de grafos (RNG), han demostrado alta precisión en la predicción de muchas propiedades de materiales, como el bandgap y la energía de formación, pero no logran predecir con precisión la capacidad calorífica (CV) debido a la limitación para capturar características cristalográficas. En nuestro estudio, hemos implementado el marco de trabajo de informática de materiales (MatInFormer), que ha sido preentrenado en tareas de reconstrucción de redes. Este enfoque ha demostrado competencia en la captura de características cristalográficas esenciales. Al concatenar estas características con descriptores diseñados por humanos, logramos un error absoluto medio de 4.893 y 4.505 J/(mol K) en nuestras predicciones. Nuestros hallazgos subrayan la eficacia del marco MatInFormer para aprovechar la cristalografía, complementada con capacidades adicionales de procesamiento de información.