李一航 肖 斌 唐宇超 刘 馥 王小梦 刘 轶

(1.上海大学理学院， 上海 200444; 2.上海大学材料基因组工程研究院， 上海 200444)

高通量第一性原理计算方法[1-2]可用于系统研究大量的材料体系和构型， 但庞大的计算量使其成本高、耗时长.机器学习(machine learning， ML)方法[3-4]可以从计算或实验材料数据中进行数据挖掘或机器学习， 获得其中隐含的关联规律， 并用于对未知材料性能的高效预测.本研究基于高通量第一性原理计算数据构建机器学习模型， 可加快新材料的能量和结构预测，指导新材料的实验合成.

尖晶石材料因其庞大的种类、灵活可调的组分以及优异的物理化学性质而被广泛应用于锂电池正极[5-6]、光催化剂材料[7-8]、铁氧体磁性材料[9]和半金属材料[10]等领域.尖晶石氧化物可分为正尖晶石结构、反尖晶石结构和混合尖晶石结构[11-13].本研究中的正尖晶石氧化物化学通式为AB2O4， 空间群为Fdm， 其中A， B 阳离子[14]分别处于氧离子形成的四面体间隙(T 位点)和八面体间隙(O 位点)中.通过多种方式， 结合T/O 位点中心原子TC/OC和T/O 位点环境原子TE/OE特征构建的中心-环境(center-environment， CE)特征模型， 如图1 所示.本研究用73 种元素(见图2)分别替换尖晶石氧化物AB2O4结构的T 位点和O 位点原子， 获得了5 329(732=5 329)个可能的尖晶石氧化物.图2 中的灰色背景元素表示没有研究， 色标从蓝色到粉色作为对应的单原子基态总能量的函数， 正方形和圆形代表机器学习预测为“好”的T 位点和O 位点的稳定性元素.

图1 正尖晶石惯用单胞和CE 特征模型Fig.1 Conventional cell of the normal spinel type and the CE feature models

图2 正尖晶石……