Als aufstrebendes Forschungsparadigma wurden datengesteuerte Methoden (z. B. maschinelles Lernen) in letzter Zeit ausgiebig in der Materialwissenschaft angewandt. Sie bieten wertvolle Lösungen, um die Prozess-Struktur-Eigenschafts-Beziehungen abzubilden, und ermöglichen daher autonomes Materialdesign. In dieser Arbeit, die sich auf die Abbildung zwischen Kristallstrukturen und intrinsischen physikalischen Eigenschaften konzentriert, wurden sowohl Vorwärtsmodellierung (zur Vorhersage physikalischer Eigenschaften mit Kristallstrukturen als Input) als auch inverses Design (zur Vorhersage neuartiger Kristallstrukturen mit gewünschten Eigenschaften) durchgeführt, was das Design kristalliner Materialien mit gewünschten Eigenschaften beschleunigt.

Zur Vorwärtsmodellierung wurde die Messdaten der Curie-Temperaturen von 1749 ferromagnetischen Materialien gesammelt, um eine maschinelle Lernmodellierung, die auf der zweistufigen Random-Forest-Methode basiert, durchzuführen. Die sich daraus ergebende Genauigkeit beträgt ca. 91% zur Evaluierung der Curie-Temperaturen, die durch 85 experimentelle Ergebnisse weiter validiert wurde. In dieser Hinsicht wird eine praktische Lösung geboten, die die Entwicklung funktionaler ferromagnetischer Materialien beschleunigt, weil die Curie-Temperatur eine der drei wichtigsten intrinsischen magnetischen Eigenschaften ist (neben der Magnetisierung und der magnetischen Anisotropieenergie). Darüber hinaus haben wir in Zusammenarbeit mit Yixuan Zhang gezeigt, dass sowohl die Gesamtenergien als auch die Kräfte auf die Atome genau modelliert werden können, was zu einer zuverlässigen Konstruktion von maschinenlernenden interatomaren Potentialen für weitere atomistische Simulationen wie Molekulardynamik führt. Daher kann die Vorwärtsmodellierung zur Vorhersage der intrinsischen physikalischen Eigenschaften und zur Überbrückung quantitativer Simulationen über die elektronischen und atomistischen Längenskalen eingesetzt werden.

Zum Zwecke des inversen Designs wurden Constrained Crystal Deep Convolutional Generative Adversarial Networks (CCDCGAN) entwickelt, die direkt Kristallstrukturen prognostizieren, die sich von den auf die bildbasierte kontinuierlichen Darstellung (der Kristallstrukturen) basierenden bekannten Fällen unterscheiden. Diese Darstellung bildet einen latenten Raum. Darüber hinaus können die intrinsischen Eigenschaften der generierten Strukturen im latenten Raum durch einen Rückpropagator (im vortrainierten Vorwärtsmodell angewandt) und eine entsprechend definierte Verlustfunktion (des CCDCGAN) optimiert werden. In dieser Arbeit fand die Formationsenergie in CCDCGAN als Vorwärtsmodell die Anwendung, und dementsprechend kann CCDCGAN stabile Kristallstrukturen entwerfen. Es wurde erfolgreich auf ein binäres System (Bi-Se) und Mehrkomponentensysteme (binäre, ternäre und quaternäre Systeme) angewendet. Es wird beobachtet, dass bisher unbekannte Kristallstrukturen unterhalb der durch die bekannten experimentellen Fälle definierten konvexen Hülle gewonnen werden können. Interessanterweise wird vermutet, dass das CCDCGAN-Modell für die Mehrzieloptimierung verallgemeinert werden kann, wenn Vorwärtsmodelle in Bezug auf verschiedene Eigenschaften angewendet werden, was zu einem systematischen Design neuartiger kristalliner Materialien führt.

In der Zukunft kann das inverse Design von kristallinen Materialien mit multikriterieller Optimierung verschiedener physikalischer Eigenschaften auf der Grundlage unserer aktuellen Implementierung von CCDCGAN realisiert werden, indem mechanische und andere magnetische Eigenschaften einbezogen werden, um magnetische Materialien mit optimaler Leistung zu entwerfen. Zusätzlich können solche bildbasierten Deep-Learning-Algorithmen geradeheraus verallgemeinert werden, um die Mikrostrukturen zu modellieren, was eine systematische Methode zum inversen Design der Mikrostrukturen und somit eine angemessene Lösung zur Abbildung der Struktur-Eigenschafts-Beziehung zur Verfügung stellt.