基于笛卡尔坐标编码的晶体结构图神经网络用于性质预测：应用于热椭圆估计
机器学习
2025-11-26 v1 材料科学
化学物理
计算物理
摘要
在衍射基石的晶体结构分析中，热椭圆通过各向异位移参数（ADPs）进行量化，这是关键且具有挑战性的。ADPs捕捉原子振动，反映热力学和结构性质，但传统计算方法往往代价高昂。本文引入CartNet，这是一种新颖的图神经网络（GNN），通过将原子几何编码为笛卡尔坐标并结合晶体温度，高效预测晶体性质。CartNet集成了邻居均衡技术以强调共价和接触相互作用，并采用Cholesky分解方法确保ADPs预测的有效性。我们还提出了一种在训练期间针对未见定向的旋转SO(3)数据增强策略。为验证该方法，构建了一个包含20多万个来自剑桥晶体结构数据库（CSD）实验晶体结构的ADPs数据集。CartNet显著降低了计算成本，ADPs预测性能比现有方法提高了10.87%，相较于理论方法提升了34.77%。我们进一步在覆盖形成能、带隙、总能量、凸面积以下能量、体积模量和剪切模量等其他数据集上评估了CartNet，在Juwis数据集上实现7.71%的提升，在Materials Project数据集上实现13.16%的提升。这些成果将CartNet确立为多样化晶体性质预测的前沿解决方案。项目网站和在线演示：https://www.ee.ub.edu/cartnet
引用
@article{arxiv.2501.18369,
title = {A Cartesian Encoding Graph Neural Network for Crystal Structures Property Prediction: Application to Thermal Ellipsoid Estimation},
author = {Àlex Solé and Albert Mosella-Montoro and Joan Cardona and Silvia Gómez-Coca and Daniel Aravena and Eliseo Ruiz and Javier Ruiz-Hidalgo},
journal= {arXiv preprint arXiv:2501.18369},
year = {2025}
}