通过生成对抗网络加速高熵合金氢存储的设计

高熵合金（HEAs）已成为固态氢存储的有希望的候选材料，但广泛的成分空间给靶向材料发现带来了重大挑战。在这里，我们开发了一种基于生成对抗网络（GANs）和条件生成对抗网络（CGANs）的深度生成框架，以实现具有优化的氢化物形成焓和氢存储能力的高熵合金的逆向设计。GAN能够准确捕捉基础成分分布，达到较高的新颖性和多样性，同时再现已知的化学趋势和经验相形成规则。通过将属性标签作为条件输入，CGAN允许对生成过程进行方向性控制，指导模型朝着具有目标焓和容量范围的合金发展。进行密度泛函理论（DFT）计算以验证一个代表性的GAN生成成分Mn18V2Fe16Ti18，确认其结构稳定性和氢吸附，且与机器学习预测结果良好一致。这些结果表明GAN模型能够自主学习数据集的分布特征，并有效探索高熵合金设计空间中的未被探索区域，为高级氢存储材料的逆向设计提供了一种强大的策略。