第51卷第2期2023年2月硅酸盐学报Vol.51，No.2February，2023JOURNALOFTHECHINESECERAMICSOCIETYhttp://www.gxyb.cbpt.cnki.netDOI：10.14062/j.issn.0454-5648.20220802基于晶体图卷积神经网络的金属表面能预测框架周麟铭1，朱广宇1，吴勇军1,2，黄玉辉1，洪子健1,2(1.浙江大学材料科学与工程学院，杭州310027；2.唐仲英传感材料及应用研究中心，浙江大学硅材料国家重点实验室，杭州310027)摘要：表面能是晶体最重要的物理化学性质之一，对于表面催化、表面吸附、外延生长、结晶形核、枝晶生长等具有十分重要的影响。快速计算和预测晶体表面能有助于加速催化、电池、合金等材料的设计和优化。本工作采用基于数据驱动的机器学习算法，构建了晶体图卷积神经网络框架并应用于金属表面能预测，实现了从晶体结构到表面能的快速准确预测。使用基于物理理论的将表面尺寸与晶体的原子以及成键特征相耦合的表面表示方法时，模型表现最佳，平均绝对误差值小于0.002eV/Å2。与第一性原理计算相比，该框架计算时间缩短了约5个数量级。最后，还进一步探讨了其在硅酸盐等复杂体系的普适性和未来的拓展方向，以期为机器学习预测表面能的提供参考。关键词：机器学习；材料表面；表面能；图神经网络中图分类号：O731;TP391.7文献标志码：A文章编号：0454–5648(2023)02–0389–08网络出版时间：2023–01–17AFrameworkforMetalSurfaceEnergyPredictionBasedonCrystalGraphConvolutionalNeuralNetworkZHOULinming1,ZHUGuangyu1,WUYongjun1,2,HUANGYuhui1,HONGZijian1,2(1.SchoolofMaterialsScienceandEngineering,ZhejiangUniversity,Hangzhou310027,China;2.CyrusTangCenterforSensorMaterialsandApplications,StateKeyLaboratoryofSiliconMaterials,ZhejiangUniversity,Hangzhou310027,China)Abstract:Surfaceenergyisoneofthemostimportantphysicalandchemicalpropertiesforcrystals,whichhasasignificantimpactonsurfacecatalysis,surfaceadsorption,epitaxialgrowth,nucleation,anddendritegrowth.Rapidcalculationandpredictionofcrystalsurfaceenergiescanfavoracceleratingthedesignandoptimizationofcatalysismaterials,batterymaterials,andalloys.Inthispaper,adata-drivenmachinelearningalgorithmwasproposedwithacrystalgraphconvolutionalneuralnetworkframeworkforthepredictionofmetalsurfaceenergyfromthecrystalstructure.Usingaphysics-basedsurf...
