半监督生成法研究化学无序化合物中的点缺陷形成：铀-钚混合氧化物的应用
摘要：机器学习方法在材料科学领域现已广泛使用。例如，它们可以帮助优化新材料的物理化学性质，或者帮助表征高度复杂的化合物。在建模化学无序固溶体方面，存在一个特别具有挑战性的问题，一些性质取决于晶体晶格中化学物种的分布。这是铀-钚混合氧化物核燃料缺陷性质的情况。可能的组态数量非常庞大，如果直接采样处理，该问题将变得难以处理。因此，我们提出了一种基于生成模型的机器学习方法，以优化这个大的组态空间的探索。我们采用了一种概率的半监督方法，使用混合密度网络来估计(U, Pu)O2中热缺陷的浓度。我们证明，与文献中其他可用方法相比，这种基于缺陷形成能态密度预测的方法在计算上更加高效。
作者：Maciej J. Karcz, Luca Messina, Eiji Kawasaki, Serenah Rajaonson, Didier Bathellier, Emeric Bourasseau
论文ID：2211.12086
分类：Disordered Systems and Neural Networks
分类简称：cond-mat.dis-nn
提交时间：2022-11-29