本文693字，阅读约需2分钟

摘要：研究小组通过结合拓扑信息和机器学习势方法，开发出一种新的模拟方法，来预测复杂非晶结构能量，阐明其复杂结构、物理性质和功能之间的相关性。

关键词：非晶材料、模拟、机器学习势、持久同源性、拓扑信息、能量预测

日本大阪大学、岡山大学和东京大学开发了一种通过结合拓扑信息和机器学习来预测复杂非晶结构能量的新方法。

非晶材料广泛应用于太阳能电池和涂层材料。为了阐明其复杂结构、物理性质和功能之间的相关性，亟需开发一种新的模拟方法。

目前，最有力的方法被称为机器学习势，其通过机器学习创建一个替代模型来再现高精度的量子化学计算。然而，如何将非晶结构的特征反映到机器学习模型的输入数据中是一个问题。

通过应用持久同源性（一种拓扑数据分析方法），研究小组证明，可以通过使用有关原子如何直接连接的信息作为机器学习模型的输入，使用简单的模型来预测非晶态碳的能量。

首先，利用密度泛函理论，研究小组制作了各种密度下的液态和非晶态碳的结构和能量的高精度数据。然后，使用持久同源性对所获得结构的特征进行分析。

持久同源性被可视化为二维平面上的点分布，称为持久图。该图被分成许多小方块，转换为直方图格式，显示每个区域存在多少个点，并使用信息和能量计算结果作为训练数据进行机器学习。

液态·非晶结构碳的持久同源性计算结果（持久图）及使用它的能量预测结果

结果表明，即使是最简单的模型之一的岭回归模型，也可以预测能量。研究还发现，将直方图视为图像数据并使用卷积神经网络可以提高预测性能。

此外，众所周知，即使基于传统的原子间距离或角度分布的描述方法，在使用图神经网络等先进架构时也可以提取原子连接信息。

因此，研究小组比较了使用图神经网络和持久同源性捕获结构信息的方式。结果表明，即使使用简单的模型，持久同源性也可以提取与图神经网络相同的信息。

研究小组认为，这一成果有望为具有复杂结构的物质开发出高效的模拟技术。

（1）获取原文

如需原文相关信息，请联系邮箱：info@aipatent.com（请注明“获取XX资讯原文信息”）

（2）征稿启事

应部分读者建议，本公众号现开放投稿，面向企业及科研机构人员征集稿件，可以分享技术信息、学术类论文、科研成果以及研究见解等。

投稿请发送至邮箱：support@aipatent.com（请注明“AIpatent公众号”来稿）

（3）资讯定制

我们是专注于国际技术转移的服务商，致力于将日本及其他国家的先进技术引入中国。如有海外先进技术资讯定制需求，请联系邮箱：info@aipatent.com（请注明“资讯定制”）

语智海报.png

大阪大学：预测非晶结构的能量