[发明专利]生成目标材料属性的材料结构的机器学习系统和方法

说明书

提供了一种生成目标材料属性的材料结构的机器学习系统和方法。提供了一种利用机器学习的材料设计的方法和系统，其中，结构(S)‑属性(P)关系的基础联合分布p(S,P)被明显地同时学习，并且被用于利用生成技术在单个步骤中直接生成样本(S,P)，而无需任何附加的处理步骤。然后利用分布(例如，p(P))的条件生成，或者通过随机生成大量样本(S,P)并且过滤(例如，选择)满足目标属性标准的样本，来识别满足或超过属性P的目标的结构的子空间。

本申请要求于2019年10月2日提交的名称为“材料的生成结构-性能逆向计算协同设计(GENERATIVE STRUCTURE-PROPERTY INVERSE COMPUTATIONAL CO-DESIGN OFMATERIALS)”的第62/909,648号美国临时申请的优先权和权益，所述美国临时申请的全部内容通过引用包含于此。

本申请涉及要求于2020年2月21日提交的名称为“利用机器学习的电子和原子结构计算(ELECTRONIC AND ATOMIC STRUCTURE COMPUTATION UTILIZING MACHINELEARNING)”的第16/798,245号美国专利申请，该美国专利申请要求于2019年9月18日提交的名称为“半导体装置和制造半导体装置的方法(SEMICONDUCTOR DEVICE AND METHOD OFMAKING THE SAME)”的第62/902,324号美国临时申请的优先权和权益，该美国专利申请和美国临时申请二者的全部内容通过引用包含于此。

技术领域

本公开总体涉及用于利用机器学习的材料设计的系统和方法。

背景技术

机器学习已经用于材料发现以满足对具有新颖和/或改进的属性的材料的需求。

参照图1，示出了用于材料发现和设计的处理。可在动作101中首先识别感兴趣的物理属性(P)。例如，这可以是给定材料与目标材料的粘附性、电阻率、热导率、熔点、抗电迁移性、抗氧化性、击穿电压或给定应用的感兴趣的相关物理属性的组合。

然后可在动作102中基于先验知识和/或基于与具有属性P的相关值的已知材料的相似性的化学直觉来收集候选材料(M)的列表。对于候选列表中的每种材料M，可在动作103中选择各种合适的潜在材料结构(S)(诸如，晶体结构、取向等)，并且可在动作104中针对潜在结构中的每个以不同的长度和时间尺度(诸如，(1)利用连续级模拟(其中，在与人相关的时间尺度和大(微米或更大)的长度尺度下计算属性P)或(2)利用原子模拟(其中，在原子级和飞秒时间尺度下计算属性P))来计算属性P。

在动作105中做出决定。如果材料M满足目标物理属性，则材料M可在动作106中被认为作用进一步实验和验证的有利候选。因为对于具有各种权衡的属性P，可存在多于一个的有利候选，所以该处理可能不会在此停止。如果材料M不满足属性P的目标，则继续搜索，直到候选集合中的所有材料都已经被模拟。

出于这个描述的目的，图1中示出的处理可被称为材料设计和发现的“正向”模式(例如，“正向设计”)。候选材料的列表可基于适合于属性P的材料的先验知识或者根据基于目标材料与已知具有P的合适值的其他材料的相似性的化学直觉来选择。虽然在正向设计中使用将结构S映射到属性P的已知物理/算法，但是这样的选择处理可对可仍然适合于特定应用但是位于(1)领域专家的直觉之外，或(2)与具有给定属性的已知材料不同的许多目标材料视而不见。

另外，正向设计可受到模拟结构S的属性P所需的时间的限制。由于时间限制，所以从可能的材料范围中，只能模拟一小部分。

因此，仍然需要利用机器学习来改进材料发现的处理。

背景技术部分中的以上信息仅用于增强读者对在此描述的发明构思的理解，因此，它不应被解释为承认现有技术的存在或相关性。

发明内容