Digital Discovery：新型化学元素描述符LEAFs助力材料科学研究

摘要：2024年1月3日——利物浦大学的研究团队开发了一种名为LEAFs的新型化学元素描述符，通过分析晶体结构中的局部几何环境，显著提升了材料性质预测的准确性和可解释性，为新材料的设计和发现提供了有力支持。

https://doi.org/10.1039/D4DD00346B

2024年1月3日——利物浦大学的研究团队开发了一种名为LEAFs的新型化学元素描述符，通过分析晶体结构中的局部几何环境，显著提升了材料性质预测的准确性和可解释性，为新材料的设计和发现提供了有力支持。

在材料科学领域，计算建模和机器学习（ML）已成为研究材料性质的重要工具。然而，材料性质的预测准确性很大程度上依赖于如何用数值描述材料的组成、晶体结构及其化学元素。尽管材料的局部结构对其性质有重要影响，但现有的元素和组成描述符往往缺乏对局部结构信息的直接访问，尤其是元素的配位几何结构。为此，利物浦大学的研究团队开发了一种新型描述符——局部环境诱导的原子特征（Local Environment-induced Atomic Features, LEAFs），旨在通过统计晶体结构中元素的局部配位几何信息，为化学元素和材料组成提供更精确的描述。

LEAFs的核心思想是通过分析晶体结构中每个原子位点的局部几何环境，将其与常见的结构基元进行比较，从而生成描述化学元素的特征向量。具体步骤如下：

局部几何环境分析：研究团队从无机晶体结构数据库（ICSD）中提取了86种常见化学元素的局部结构信息，计算了每个原子位点与37种常见结构基元的相似性。

特征向量生成：通过统计每个元素在不同配位环境下的相似性值，生成每个元素的LEAFs描述符。这些描述符直接反映了元素在晶体结构中的局部配位几何特征。

机器学习应用：LEAFs被用于材料性质的预测，特别是通过机器学习模型进行晶体结构分类和离子导电性预测。研究团队还开发了一种基于LEAFs的软件工具，用于材料组成之间的结构相似性比较和元素替代预测。

LEAFs在多个材料科学任务中表现出色，尤其是在晶体结构分类和离子导电性预测方面。研究团队通过实验验证了LEAFs的有效性：

晶体结构分类：在二元离子化合物的晶体结构预测任务中，LEAFs达到了86%的准确率，显著优于现有的其他元素描述符。

离子导电性预测：在锂离子导电材料的分类任务中，LEAFs与随机森林模型结合，达到了81%的准确率，且能够解释局部结构对材料性质的影响。

化学空间映射：LEAFs能够有效揭示化学元素和材料组成之间的结构相似性，为材料设计提供了新的视角。

LEAFs通过将局部结构信息引入化学元素的描述符，显著提升了材料性质预测的准确性和可解释性。这一创新不仅为材料科学中的计算建模提供了新的工具，还为新材料的设计和发现提供了有力支持。研究团队已公开了相关数据和软件工具，供全球科研人员使用。