Npj Comput. Mater. : 图神经网络编码多元钙钛矿的混合占位信息实现化学空间高效探索

本文介绍了南京大学和华南师范大学联合团队提出的一种受Transformer启发的图神经网络（GNN），用于高效探索多元混合钙钛矿材料的化学空间。背景上，空位有序双钙钛矿（VODPs）作为环保型替代材料，因其结构与化学组分的灵活性，能构建广阔的化学空间，但传统的第一性原理计算成本高昂。研究目的是通过GNN准确编码混合占位信息，预测带隙和形成能等物理性质，从而降低筛选成本。结果表明，该模型在测试集上表现出色，带隙与形成能的均方根误差分别为21 meV与3.9 meV/atom，并能泛化至更复杂的体系。结论指出，该方法不仅显著降低了计算成本，还为多元混合体系研究提供了新途径。