摘要：非简谐效应是诸如软模相变、负热膨胀、多铁性和超低热导率等材料性质的根源.已有的关于量化材料非简谐性的方法没有给出清晰准确的非简谐性描述符,并且计算流程复杂,需要极其耗时的分子动力学模拟.故亟需提出一个可以快速计算的非简谐性描述符,用来理解、评估、设计和筛选具有强非简谐性的功能材料.本研究将晶格非谐性分解为单声子非谐性σ_((q,j))^(A),并提出温度依赖的晶格非谐性的定量描述符A_(ph)(T).该描述符既可以定量描述从Si,GaAs,CdTe,NaCl到CsPbI_(3)的晶格非谐性的变化趋势,又可以成功预测非简谐效应驱动的体积模量和晶格热导率性质的变化.本工作提出的非简谐性描述符能够快速量化材料非简谐性,并且可直观地展现材料非简谐效应的声子模态分布.本方法计算简单、高效且有效,可为基于非简谐性筛选与设计材料打下基础.

摘要：品质因子在材料筛选和新材料设计中至关重要.比如,根据Shockley-Queisser极限,虽然带隙是筛选光伏材料的重要品质因子,但将带隙作为唯一品质因子却又过于简单,因为理想的太阳能电池吸收材料需要满足多种条件,如高稳定性、高光吸收系数和长载流子寿命等.然而,同时考虑多种品质因子大大增加了材料筛选的难度.本工作以卤化物钙钛矿为例,将热力学稳定性和带隙结合成一个统一的品质因子,采用贝叶斯优化方法来加速材料筛选.我们发现,与传统的穷举法相比,基于统一品质因子的贝叶斯方法可以更加有效地筛选出目标材料.该工作为从大量材料中搜索出理想的目标材料提供了一个计算成本较低的方法.

摘要：新材料的发现是推动现代科学发展与技术革新的源动力之一,是当前促进经济发展与解决环境问题的迫切需求.传统的材料研发基于试错法,效率低且成本高.大量实验与计算模拟产生的数据为新材料的研发提供了新契机.基于这些数据,机器学习最近在材料性能预测、新材料的发现与设计等领域取得了很大进展.譬如基于材料项目(materials project)数据库对钙钛矿材料的统计分类、结合高通量计算对双钙钛矿卤化物材料稳定性的预测,以及金属间化合物电催化剂的设计与筛选等.除了基于隐式模型的预测,机器学习也可以用来发现具有物理可解释性的显式描述符,从而加速新材料的发现.