预测晶体的稳定性是材料科学的核心问题之一。研究人员证明深度神经网络在仅使用组成物种的Pauling电负性和离子半径作为输入描述符时，可以准确预测C3A2D3O12石榴石和ABO3钙钛矿的DFT形成能量，该预测具有低的平均绝对误差（MAE），并在DFT精度范围之内。使用二进制编码方案可以实现混合石榴石和钙钛矿的进一步扩展而几乎没有精度损失，解决了机器学习模型从固定化学计量晶体扩展到无限混合物种晶体的关键缺口。这些模型可以快速横穿大量化学空间，以准确识别稳定的成分，可加速发现具有潜在优越性能的新材料。
Deep neural networks for accurate predictions of crystal stability[J], Nature Communications, 2018.
DOI: 10.1038/s41467-018-06322-x
