【文献分享】J. Phys. Chem. C：机器学习模型的结构嵌入方法加速堆叠二维材料的研究
================================
分享一篇 J. Phys. Chem. C：机器学习模型的结构嵌入方法加速堆叠二维材料的研究的文章。
感谢论文的原作者！
================================
主要内容
“二维材料的性能可以通过堆叠进行高自由度控制，因此探索堆叠二维（2D）材料的结构与性能之间的关系至关重要。然而，高自由度造成的大物质空间和莫尔效应造成的大系统使得密度泛函理论（DFT）计算非常昂贵。在这里，为了加速对堆叠二维材料的研究，我们开发了一种用于机器学习模型的结构嵌入方法，该方法平等地对待层内键合相互作用和层间非键合相互作用。该方法的性能明显优于其他传统的边缘嵌入方法。排列重要性分析表明，电子显着影响堆叠二维材料的性能。由于结构嵌入方法精度的提高，我们使用结构嵌入PAINN（SE-PAINN）来预测扭曲堆叠二维材料的结合能和带隙，基本再现了DFT计算结果，而计算成本为减少了几个数量级。结构嵌入方法使得研究堆叠二维材料的扭转特性成为可能。SE-PAINN在势能面预测方面也显示出了良好的应用前景。这项工作提出了一种结构嵌入方法来可靠地预测层状堆叠二维材料的性能，这将为研究扭曲堆叠二维材料开辟一条重要途径。”——取自文章摘要。
================================
================================
Figure 1
Figure 2
Figure 3
Figure 4
================================
以上是我们分享的一些经验或者文章的搬运，或有不足，欢迎大家指出。若留言未回复，重要的消息可以留言再提醒一下，因为超过48小时不可回复。
如有侵权，请联系我们立马删除！
👇
文章题目：
Structural Embedding Methods for Machine Learning Models Accelerate Research on Stacked 2D Materials
👇
-
【文献分享】J. Chem. Inf. Model. ：从结构到性质—用于预测晶体电子性质的化学元素嵌入
-
【文献分享】Comp. Mater. Sci.：利用图卷积神经网络识别金属玻璃中的玻璃态
-
【文献分享】J. Phys. Chem. C：通过高通量搜索和机器学习方法识别直接带隙硅结构
-
【文献分享】Digital Discovery：利用机器学习原子势预测整个元素周期表的熔化温度
-
【文献分享】Comp. Mater. Sci.：基于支柱的晶格超材料的深度学习、反卷积神经网络逆向设计
-
【文献分享】Comput. Mater. Sci.：基于深度学习势的 Ag-Si 合金液体热物理性质
-
【文献分享】ACS Appl. Mater. Interfaces：用于预测复杂热电材料中超低导热率和高 ZT 的机器学习
-
【文献分享】J. Phys. Chem. Lett. ：使用团簇 Graph Attention 网络加速大型银簇的全局搜索
-
【文献分享：综述文章】Small Struct.：热电材料晶体结构、合成方法及新方向的展望
-
【文献分享】J. Appl. Phys.：研究硅干/湿氧化过程的机器学习原子势