Scaling deep learning for materials discovery

计算机科学 深度学习 凸壳 缩放比例 人工智能 纳米技术 正多边形 材料科学 数学 几何学
作者
Amil Merchant,Simon Batzner,Samuel S. Schoenholz,Muratahan Aykol,Gowoon Cheon,Ekin D. Cubuk
出处
期刊:Nature [Springer Nature]
卷期号:624 (7990): 80-85 被引量:198
标识
DOI:10.1038/s41586-023-06735-9
摘要

Abstract Novel functional materials enable fundamental breakthroughs across technological applications from clean energy to information processing 1–11 . From microchips to batteries and photovoltaics, discovery of inorganic crystals has been bottlenecked by expensive trial-and-error approaches. Concurrently, deep-learning models for language, vision and biology have showcased emergent predictive capabilities with increasing data and computation 12–14 . Here we show that graph networks trained at scale can reach unprecedented levels of generalization, improving the efficiency of materials discovery by an order of magnitude. Building on 48,000 stable crystals identified in continuing studies 15–17 , improved efficiency enables the discovery of 2.2 million structures below the current convex hull, many of which escaped previous human chemical intuition. Our work represents an order-of-magnitude expansion in stable materials known to humanity. Stable discoveries that are on the final convex hull will be made available to screen for technological applications, as we demonstrate for layered materials and solid-electrolyte candidates. Of the stable structures, 736 have already been independently experimentally realized. The scale and diversity of hundreds of millions of first-principles calculations also unlock modelling capabilities for downstream applications, leading in particular to highly accurate and robust learned interatomic potentials that can be used in condensed-phase molecular-dynamics simulations and high-fidelity zero-shot prediction of ionic conductivity.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
2秒前
mike2012完成签到 ,获得积分10
5秒前
7秒前
开放道天发布了新的文献求助10
8秒前
赛赛完成签到 ,获得积分10
9秒前
foyefeng完成签到,获得积分10
14秒前
哈哈哈哈嘻嘻嘻完成签到 ,获得积分10
22秒前
木槿花难开完成签到,获得积分10
22秒前
雪山飞龙完成签到,获得积分10
23秒前
我是老大应助开放道天采纳,获得10
27秒前
Xzmmmm完成签到,获得积分10
30秒前
优秀的牛青完成签到 ,获得积分10
30秒前
XDM完成签到 ,获得积分10
31秒前
第3行星完成签到 ,获得积分10
36秒前
刻苦的新烟完成签到 ,获得积分10
37秒前
haochi完成签到,获得积分10
37秒前
胡萝卜佳完成签到 ,获得积分10
39秒前
啦啦啦完成签到,获得积分10
40秒前
CCsouljump完成签到 ,获得积分10
40秒前
daisy完成签到 ,获得积分10
41秒前
小静完成签到 ,获得积分10
42秒前
丰富梦容完成签到 ,获得积分20
42秒前
开放道天完成签到 ,获得积分10
43秒前
CipherSage应助科研通管家采纳,获得10
47秒前
微雨若,,完成签到 ,获得积分10
50秒前
纯真追命完成签到 ,获得积分10
54秒前
Dawn完成签到 ,获得积分10
1分钟前
杨永佳666完成签到 ,获得积分10
1分钟前
烟花应助小雷采纳,获得10
1分钟前
pphss发布了新的文献求助30
1分钟前
neilphilosci完成签到 ,获得积分10
1分钟前
2024kyt完成签到 ,获得积分10
1分钟前
胖胖橘完成签到 ,获得积分10
1分钟前
一缕轻曲挽南墙完成签到 ,获得积分10
1分钟前
汉堡包应助聪明安筠采纳,获得10
1分钟前
啦啦啦完成签到 ,获得积分10
1分钟前
潇湘完成签到 ,获得积分10
1分钟前
看见了紫荆花完成签到 ,获得积分10
1分钟前
临风浩歌完成签到 ,获得积分10
1分钟前
ghost完成签到 ,获得积分10
1分钟前
高分求助中
좌파는 어떻게 좌파가 됐나:한국 급진노동운동의 형성과 궤적 2500
Sustainability in Tides Chemistry 1500
TM 5-855-1(Fundamentals of protective design for conventional weapons) 1000
Cognitive linguistics critical concepts in linguistics 800
Threaded Harmony: A Sustainable Approach to Fashion 799
Livre et militantisme : La Cité éditeur 1958-1967 500
氟盐冷却高温堆非能动余热排出性能及安全分析研究 500
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3052652
求助须知:如何正确求助?哪些是违规求助? 2709874
关于积分的说明 7418267
捐赠科研通 2354453
什么是DOI,文献DOI怎么找? 1246090
科研通“疑难数据库(出版商)”最低求助积分说明 605951
版权声明 595921