Da die Vorhersage von Kristallstrukturen (CSP) nach wie vor eine große Herausforderung darstellt, stellen wir ParetoCSP vor, einen neuartigen Algorithmus für CSP, der einen multikriteriellen genetischen Algorithmus (GA) mit einem Modell des interatomaren Potenzials eines neuronalen Netzes kombiniert, um energetisch optimale Kristallstrukturen bei gegebenen chemischen Zusammensetzungen zu finden. Wir verbessern den aktualisierten Mehrziel-GA (NSGA-III), indem wir das genotypische Alter als unabhängiges Optimierungskriterium einbeziehen und das universelle interatomare Potenzial M3GNet zur Steuerung der GA-Suche verwenden. Im Vergleich zu GN-OA, einem hochmodernen, auf neuronalen Potentialen basierenden CSP-Algorithmus, zeigte ParetoCSP deutlich bessere Vorhersagefähigkeiten und übertraf diese um den Faktor 2,562 bei 55 verschiedenen Benchmark-Strukturen, die anhand von sieben Leistungsmetriken bewertet wurden. Die Trajektorienanalyse der durchlaufenen Strukturen aller Algorithmen zeigt, dass ParetoCSP mehr gültige Strukturen als die anderen Algorithmen generierte, was dem GA half, effektiver nach den optimalen Strukturen zu suchen. Unser Implementierungscode ist unter https://github.com/sadmanomee/ParetoCSP verfügbar.
Quelle: Crystal structure prediction using neural network potential and age-fitness Pareto genetic algorithm