近日，我院冯凌燕教授课题组和刘轶教授课题组合作，在国际著名学术期刊《NPJ Computational Materials》上发表题为“Center-environment deep transfer machine learning across crystal structures: from spinel oxides to perovskite oxides”的研究成果。材料基因院2020级博士生李一航为第一作者，第二作者朱瑞杰是钱伟长学院/材料基因院与美国西北大学联合培养双硕士项目中的在籍在美硕士，在本工作中也做出重要贡献，上海大学为第一署名单位。
通过计算方法发现新材料可以简化实验合成前的筛选过程，但因材料组分和结构的巨大潜在组合，系统地探索面临巨大挑战。尤其当目标材料的研究数据有限时则面临更大的困难，此时从其他材料已知的大型数据集中作跨晶体结构的迁移机器学习，便成为材料设计中的重要策略之一。
General schematic diagram of DNN-CE models and the workflow of transfer learning method in this work.
该研究展示了一种结合自主设计的“中心-环境”（CE）特征模型和深度迁移学习方法来预测钙钛矿氧化物稳定性的高通量筛选策略。利用5329个尖晶石氧化物的DFT计算形成能数据训练源域模型，再通过855个钙钛矿氧化物结构的小数据集微调模型参数，得到具有良好迁移性的模型并预测钙钛矿氧化物稳定性。
Crystal structures and constituent elements of spinel oxides and perovskite oxides studied in this work.
利用73种元素置换钙钛矿结构的阳离子，生成5329个钙钛矿并通过迁移学习预测其形成能。
Statistical distribution of the formation energy of perovskite structures predicted by machine learning and the screening process for stable perovskite structures.
结合预测的形成能以及包括容忍因子（0.7 < t ≤ 1.1）和八面体因子（0.45 < μ < 0.7）的结构因子标准，预测了1314种热力学稳定的钙钛矿氧化物，其中859种尚未有文献报道钙钛矿结构为进一步实验研究提供了重要的指导。
材料基因工程的基本理念是变革传统的“试错法”材料研究模式，发展“理性设计-高通量实验-大数据技术”深度融合、协同创新的新型材料研发模式，显著提高新材料的研发效率，促进新材料的应用。
上述工作得到了国家自然科学基金、Sino-German Mobility Program、上海市启明星人才计划、上海市科委重点基础研究计划、之江实验室重点研究项目等项目的资助。
文章链接：https://doi.org/10.1038/s41524-023-01068-7