ADA-GNN：用于晶体材料属性预测的原子 - 距离 - 角图神经网络
机器学习
2024-01-23 v1 材料科学
摘要
属性预测是晶体材料研究中的一项基本任务。为了对原子和结构进行建模，广泛使用图表示的结构，且基于图学习的方法已取得显著进展。键角和键距是极大影响晶体属性的两个关键结构信息。然而，大多数现有工作仅考虑键距而忽略了键角。主要挑战在于处理键角的时间成本，这导致推理时间显著增加。为解决这一问题，我们首先提出了一种基于双尺度邻居划分机制的晶体结构建模方法，该方法对边邻居使用较大的截断半径，对角邻居使用较小的截断半径。随后，我们提出了一种新颖的原子 - 距离 - 角图神经网络 (ADA-GNN) 用于属性预测任务，该网络能够分别处理节点信息和结构信息。通过双尺度建模和 ADA-GNN 的特有架构设计，预测准确性和推理时间均得到改善。实验结果验证，我们的方法在两个大规模材料基准数据集的属性预测任务中达到了最先进的结果。
引用
@article{arxiv.2401.11768,
title = {ADA-GNN: Atom-Distance-Angle Graph Neural Network for Crystal Material Property Prediction},
author = {Jiao Huang and Qianli Xing and Jinglong Ji and Bo Yang},
journal= {arXiv preprint arXiv:2401.11768},
year = {2024}
}