GPT-assisted learning of structure-property relationships by graph neural networks: Application to rare-earth doped phosphors
基于图神经网络的GPT辅助结构-性质关系学习:在稀土掺杂荧光粉中的应用
机器学习技术在材料科学中的应用通常基于两个关键要素,一组经验描述符和感兴趣的特定材料属性的数据库。图神经网络(如晶体图卷积神经网络(CGCNN))的出现证明了在不使用经验描述符的情况下直接映射材料结构和属性之间的关系的可能性。另一个令人兴奋的最新进展是大型语言模型,例如 OpenAI 的 GPT-4,它展示了阅读理解任务的能力,并为加速获取材料属性数据库带来了巨大的希望。在这里,我们利用 GPT-4 和 CGCNN 的组合来开发用于固态照明的稀土掺杂荧光粉。GPT-4 应用于 274 篇论文中 264 个 Eu(II) 掺杂荧光粉的数据挖掘化学式和发射波长。CGCNN模型在采集的数据集上进行训练,实现测试
Categories 类别
Materials Science
材料科学