用于改进材料性质预测的原子线图神经网络
材料科学
2022-04-08 v3
摘要
图神经网络（GNN）已被证明相较于基于描述符的机器学习模型，在原子级材料表示与建模方面提供了显著的性能提升。尽管大多数现有的用于原子预测的GNN模型基于原子距离信息，它们并未显式地纳入键角，而键角对于区分许多原子结构至关重要。此外，已知许多材料性质对键角的微小变化敏感。我们提出了一种原子线图神经网络（ALIGNN），这是一种在原子间键图及其对应于键角的线图上均进行消息传递的GNN架构。我们证明了角度信息可以被显式且高效地包含，从而在多个原子级预测任务上带来性能提升。我们构建了用于预测JARVIS-DFT、Materials project和QM9数据库中可用的52种固态与分子性质的ALIGNN模型。在原子预测任务上，ALIGNN在准确性方面可比此前报道的一些GNN模型高出至多85%，且模型训练速度更优或相当。
引用
@article{arxiv.2106.01829,
title = {Atomistic Line Graph Neural Network for Improved Materials Property Predictions},
author = {Kamal Choudhary and Brian DeCost},
journal= {arXiv preprint arXiv:2106.01829},
year = {2022}
}