Computational materials screening using machine learning methods

Abstract

The increase in the number of materials in public databases like Materials Project and the advent of faster GPUs and CPUs made Machine Learning a prominent subject in materials science due to the promise of high accuracy at a much lower computational cost than standard methods. Among the recent state-of-the-art methods in use are crystal graph convolution networks (CGNNs). CGNNs are neural networks that operate on graph-structured data. The network consists of a series of connected nodes, each of which represents a vertex in the graph. The edges of the graph are used to connect the nodes and define the relationship between them.In recent years, the search for super-hard materials has been a hot topic due to their specific characteristics and possible applications. Most of these searches are performed by screening various materials using Density Functional Theory (DFT) calculations, which, despite being very accurate, have a high computational cost.In this work, a CGCNN was trained to predict the shear and bulk moduli and Vickers’ hardness of a dataset containing 1 million materials of a recently created dataset. For the most promising candidates, DFT calculations were performed to validate the predictions made by the CGCNN. Young’s modulus and Poisson’s ratio of the these candidates were also calculated using Mazhnik and Oganov’s model. A good agreement between predictions and calculations was observed, and an interesting candidate with Vickers’s hardness above 40 GPa was identified.

O aumento do número de materiais nas bases de dados públicas como o Materials Project e o aparecimento de GPUs e CPUs mais rápidos tornaram o Machine Learning num tema proeminente em ciência dos materiais devido à promessa de uma elevada precisão com custo computacional inferior ao dos métodos convencionais. Entre os métodos de última geração encontram-se as crystal graph convolution networks (CGNNs). As CGCNNs são redes neuronais que utilizam dados estruturados em grafos. A rede é formada por uma série de nós conectados, onde cada um representa um vértice no grafo. As arestas do grafo são usadas usadas para conectar os nós e definir a relação entre eles.Nos últimos anos, a busca por materiais super-duros tem sido um tema em destaque devido às suas características específicas e aplicações possíveis. Grande parte destas buscas são efetuadas através da análise de vários materiais recorrendo a cálculos de Density Functional Theory (DFT) que, apesar de serem muito precisos, têm um elevado custo computacional.Nesta tese foi treinada uma CGCNN para prever o módulo de cisalhamento, o módulo volumétrico e a dureza de Vickers de um dataset com um milhão de materiais provenientes de um dataset criado recentemente. Para os candidatos mais promissores foram efectuados cálculos de DFT para validar as previsões efectuadas pela CGNN. O módulo de Young e o rácio de Poisson destes candidatos também foram calculados utilizando o modelo de Mazhnik e Oganov. Foi encontrada uma boa concordância entres as previsões e os cálculos tendo ainda sido identificado um candidato de interesse com dureza de Vickers acima de 40 GPa.