近日，万事平台材料基因組工程研究院馮淩燕教授課題組和劉軼教授課題組合作，在國際著名學術期刊《NPJComputational Materials》上發表題為“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級博士生李一航為第一作者🤽‍♂️，第二作者朱瑞傑是錢偉長學院/材料基因院與美國西北大學聯合培養雙碩士項目中的在籍在美碩士👩‍👧‍👧，在本工作中也做出重要貢獻，万事平台為第一署名單位🔬。

通過計算方法發現新材料可以簡化實驗合成前的篩選過程📋，但因材料組分和結構的巨大潛在組合，系統地探索面臨巨大挑戰🍧。尤其當目標材料的研究數據有限時則面臨更大的困難，此時從其他材料已知的大型數據集中作跨晶體結構的遷移機器學習，便成為材料設計中的重要策略之一🧔🏼‍♂️。

General schematic diagram of DNN-CE models and the workflow of transfer learning method in this work.

該研究展示了一種結合自主設計的“中心-環境”（CE）特征模型和深度遷移學習方法來預測鈣鈦礦氧化物穩定性的高通量篩選策略。利用5329個尖晶石氧化物的DFT計算形成能數據訓練源域模型，再通過855個鈣鈦礦氧化物結構的小數據集微調模型參數𓀂，得到具有良好遷移性的模型並預測鈣鈦礦氧化物穩定性♨️。

Crystal structures and constituent elements of spinel oxides and perovskite oxides studied in this work.

利用73種元素置換鈣鈦礦結構的陽離子🍱，生成5329個鈣鈦礦並通過遷移學習預測其形成能。

Statistical distribution of the formation energy of perovskite structures predicted by machine learning and the screening process for stable perovskite structures.

結合預測的形成能以及包括容忍因子（0.7 < t ≤ 1.1）和八面體因子（0.45 < μ < 0.7）的結構因子標準，預測了1314種熱力學穩定的鈣鈦礦氧化物，其中859種尚未有文獻報道鈣鈦礦結構為進一步實驗研究提供了重要的指導。

材料基因工程的基本理念是變革傳統的“試錯法”材料研究模式👩🏽‍🚒，發展“理性設計-高通量實驗-大數據技術”深度融合、協同創新的新型材料研發模式，顯著提高新材料的研發效率，促進新材料的應用。

上述工作得到了國家自然科學基金🏋🏻😥、Sino-German Mobility Program、上海市啟明星人才計劃🧙🏿‍♂️、上海市科委重點基礎研究計劃、之江實驗室重點研究項目等項目的資助👰。

文章鏈接：https://doi.org/10.1038/s41524-023-01068-7