基于图神经网络方法预测氧化物中氧空位形成能

《The Journal of Physical Chemistry C》：Prediction of Oxygen Vacancy Formation Energy in Oxides Based on the Graph Neural Network Approach

氧空位形成能预测模型研究：提出CAGNN神经网络通过晶体结构和原子属性预测氧化物中任意氧位的电荷中性氧空位形成能，MAE达0.50 eV，计算成本显著低于DFT，经多阳离子数氧化物验证具备泛化与外推能力，在相关材料发现中具应用前景。

　　

氧空位形成能（E_ovf）的预测在材料各种应用中的性能评估中起着重要作用。本研究提出了一种卷积注意力图神经网络（CAGNN），用于预测氧化物晶体中任意氧位点的电荷中性E_ovf。所需的输入仅包括晶体结构和原子属性。对于训练集中的元素分布，使用CAGNN预测E_ovf的平均绝对误差（MAE）为0.50 eV。与密度泛函理论（DFT）相比，CAGNN的计算成本显著降低。利用包含m（m < n）个阳离子元素的氧化物数据训练的CAGNN模型，对含有个阳离子元素（n = 2, 3, 4）的氧化物进行了E_ovf的预测，这验证了该模型的泛化能力和外推性能。最后，通过材料重新发现测试表明，CAGNN在与E_ovf高度相关的材料发现领域具有广阔的应用前景。