Deep Learning Approach to Material Properties

Swedish. In this thesis, we consider a deep learning approach to predict material properties. Primarily we study artificial neural networks (ANN), which predict the energy distance to the convex hull (measure of stability) of perovskites. Further, we explore if the networks can be generalised to predict band gaps and unit cell volume. We also demonstrate total energy calculations using density functional theory as it is essential for building the datasets required for ANN studies. More detailed, we re-implement an ANN architecture proven successful at predicting formation energies and reproduce the corresponding results. This ANN model is then directly applied to predict the distance to the convex hull for the perovskites. We explore further improvements to the input representation and the network itself. In the following we use transfer learning to generalise the model to predict band gaps and unit cell volume. While reproducing the results of the re-implemented model, the results are considerably improved. For the perovskites, we find that our deep learning model achieves significantly better performance than conventional machine learning methods. This improved model allowed for a high-throughput search of tetragonal quaternary perovskites, which resulted in identifying 437 new potentially stable quaternary perovskites. In line with previous research, we find that the models performance varies over the periodic table. While the transfer learning for the unit cell volume is successful, band gaps were more difficult to predict.

Swedish. Material i det vardagliga livet, som exempelvis plast eller olika typer av metaller, kan beskrivas som olika atomer arrangerade i en specifik ordning. Upptäckter av nya material med specifika egenskaper, såsom förhöjd egenskap att absorbera solljus eller leda elektricitet, är väldigt viktigt för ny teknologiska framgångar. Men, för att kunna skapa ett nytt material, måste materialet vara stabilt. Stabiliteten av ett material bestäms av dess energiinnehåll. Du kan fråga dig själv: skulle du hellre vara i ett tillstånd där du står stilla på två ben eller balanserar på bara ett ben? Några skulle kanske välja att först balansera, men efter ett tag skulle de gå över till att stå på två ben eftersom det kräver mindre energi och därför mindre ansträngning. Samma idé gäller för olika material, de dras till det tillstånd (en specifik ordning) som kräver minst energi, det tillstånd där de inte behöver slösa energi på att balansera. Eftersom experimentella undersökningar är dyra och tar lång tid, måste den specifika ordningen av atomer först bestämmas teoretiskt. Energin av ett material bestäms främst av energin av dess elektroner och atomkärnorna, där vi kan anta atomkärnorna som stationära. Elektronerna rör däremot på sig och interagerar med varandra repulsivt (frånstötande). Rörelsen av en elektron påverkar alla andra elektroner, vilket gör uträkningar av deras energi komplicerade. Vi kan visualisera detta som att elektronerna är ihopkopplade med rep. När en elektron rör på sig drar den i repen som får de andra elektroner att röra på sig. Vi kan dock ta bort dessa rep och istället sätta restriktioner för varje elektron som tar hänsyn till deras interaktioner, dvs. deras ömsesidiga påverkan. På detta sätt kan vi räkna på varje elektron individuellt och på så sätt underlätta uträkningar av dess energi. I denna uppsats är vi specifikt intresserade av en klass av material (en viss ordning som atomer arrangeras) som kallas perovskiter. Detta är för att perovskiter har visat många intressanta materialegenskaper, och vi är först och främst intresserade av att bestämma dess stabilitet. Vi utnyttjar maskininlärning för att öka hastigheten på uträkningarna av perovskiternas stabilitet. En förenklad beskrivning av maskininlärning är att se på det som en hög av algebra. Du skickar in data (över perovskit-materialet) genom högen av algebra och ut kommer ett svar, i detta fall angående perovskiternas stabilitet. Ifall svaret är fel blandar vi högen igen till högen ger oss rätt svar. När högen av algebra fungerar korrekt, kan vi använda den för att förutspå nya perovskiter. På detta sätt underlättar vi antalet uträkningar och på det sättet hastigheten som vi kan hitta nya perovskiter för vidare teknologiska framgångar.