机器学习在β硼结合突破

中国的科学家结合表面势能采样方法称为随机行走(f)和机器学习探索β-B的势能表面。¹β-B被认为是固体硼的最稳定的阶段,但其原子结构仍不清楚,直到现在。

这非常奇怪,单个元素晶体的结构这样的伟大的根本利益迄今尚未完全确定,考虑到结构复杂的蛋白质可以用现代技术已经得到解决,”评论Zhipan刘复旦大学的领导工作。self-doping原子晶体的存在间隙网站形成一个巨大的构型空间会使确定的实际配置硼几乎不可能使用现有的方法。

现在,刘和他的同事们所取得的进展通过构造神经网络潜在的使用一套新的结构描述符,可以在硼敏感复杂的焊接环境判别的方法。使用这种方法,他们建立了低能量的能谱β-B配置,使原子结构详细在有限的温度下得到解决。刘翔的团队发现,相反为β-B巨大能量简并长认为,只有20意义观察硼结构的配置。这允许一个未来穷举搜索这些构象的转变之间的反应途径,”刘说。β-B及其属性被认为是所谓的强烈影响B19掺杂的网站,有一个非常大的振动熵,配置与B19入住率是占主导地位的高温。

”我认为这个工作是一个杰作复杂的固体系统的结构预测,”评论马克Tuckerman理论化学家从纽约大学在美国。“通过设计新的结构描述符能够解释材料的复杂性,研究人员增强神经网络模型的预测能力——一类机器学习模型之一——在他们的研究工作。”

科学家一直未能理解与β-B相关的许多有趣的现象,比如一个戏剧性的变化在其光学吸收150 - 180 k左右。²了解结构和决定他们如何过渡在不同的温度下会理解其光电性能的一个关键步骤,”刘解释道。他说,结果将有助于澄清为什么β-B比α-B更稳定,以及为什么它是一个非常困难的材料,但在更高的温度下具有良好的导电性。

刘翔的团队表明,机器学习量可以用来研究许多不同系统和最近在催化应用到一个复杂的问题。³虽然尚不清楚新结构描述符将转移到其他系统,例如分子晶体,这将是有趣的去探索它们,或者可能的修改版本,在这个职位上,“Tuckerman补充道。