用于准确且可解释材料性质预测的晶体图卷积神经网络
材料科学
2018-04-10 v3
摘要
利用机器学习方法加速晶体材料设计通常需要手动构建特征向量或对原子坐标进行复杂变换以输入晶体结构，这要么将模型限制于特定晶体类型，要么难以提供化学洞察。在此，我们开发了晶体图卷积神经网络框架，直接从晶体中原子的连接关系学习材料性质，提供了晶体材料的通用且可解释的表示。我们的方法在使用 个数据点训练后，对具有不同结构类型和组成的晶体的八种不同性质给出了基于密度泛函理论计算性质的高精度预测。此外，我们的框架是可解释的，因为可以提取局域化学环境对全局性质的贡献。以钙钛矿为例，我们展示了如何利用该信息发现材料设计的经验规则。
引用
@article{arxiv.1710.10324,
title = {Crystal Graph Convolutional Neural Networks for an Accurate and Interpretable Prediction of Material Properties},
author = {Tian Xie and Jeffrey C. Grossman},
journal= {arXiv preprint arXiv:1710.10324},
year = {2018}
}
备注
6+9 pages, 3+6 figures