Predicción de constantes dieléctricas mediante una combinación de cálculos de primeros principios y aprendizaje automático

Resumen Este estudio presenta el método para explorar nuevos materiales dieléctricos combinando un amplio conjunto de cálculos de primeros principios y aprendizaje automático. Se construyó una base de datos de constantes dieléctricas utilizando los cálculos de primeros principios. Las estructuras cristalinas de 3382 compuestos candidatos se obtuvieron de la base de datos Materials Project. Se realizaron cálculos de fonones armónicos para seleccionar los compuestos que no presentaban modos de fonones imaginarios. A continuación, se calcularon las constantes dieléctricas mediante la teoría de perturbaciones del funcional de la densidad, lo que dio lugar a 2504 compuestos que se incorporaron a la base de datos. Se adoptaron métodos de aprendizaje automático para corregir las constantes dieléctricas calculadas respecto a los errores sistemáticos hallados entre las constantes dieléctricas calculadas y las experimentales. Un modelo de random forest con 68 variables de características predijo con éxito las constantes dieléctricas dentro del rango de error del 50% del logaritmo de la constante dieléctrica. Las constantes dieléctricas predichas para la mayoría de los compuestos se situaron en el rango de 3–100.