材料发现的机器学习,主要集中在预测单个标量,而不是多个相关属性,其中光谱属性是一个重要的例子。基本光谱特性,包括声子态密度(phDOS)和电子态密度(eDOS),它们分别或共同是材料可见性和功能的起源。 在此,来自美国加州大学伯克利分校的Jeffrey B. Neaton& 康乃尔大学的Carla P. Gomes & 加州理工学院的John M. Gregoire等研究者,在晶体材料图形网络编码成功的基础上,引入了一种专门用于预测光谱特性的概率嵌入发生器。相关论文以题为“Density of states prediction for materials discovery via contrastive learning from probabilistic embeddings”发表在NatureCommunications上。 论文链接:https://www.nature.com/articles/s41467-022-28543-x