CTGNN：用于晶体材料性质预测的晶体Transformer图神经网络
材料科学
2024-05-21 v1 计算物理
摘要
深度学习算法与材料科学的结合在预测新型材料和理解材料的各种行为方面取得了显著进展。本文介绍了一种名为晶体Transformer图神经网络（CTGNN）的新模型，它结合了Transformer模型和图神经网络的优点，以应对材料数据中结构-性质关系的复杂性。与最先进的模型相比，CTGNN引入了图网络结构来捕获局部原子相互作用，并采用双Transformer结构来全面建模晶体内和原子间的关系。通过所提出的CTGNN进行的基准测试表明，CTGNN在形成能和带隙性质的预测上显著优于现有模型如CGCNN和MEGNET。我们的工作突出了CTGNN在增强性质预测性能方面的潜力，并加速了新材料的发现，特别是钙钛矿材料。
引用
@article{arxiv.2405.11502,
title = {CTGNN: Crystal Transformer Graph Neural Network for Crystal Material Property Prediction},
author = {Zijian Du and Luozhijie Jin and Le Shu and Yan Cen and Yuanfeng Xu and Yongfeng Mei and Hao Zhang},
journal= {arXiv preprint arXiv:2405.11502},
year = {2024}
}
备注
17 pages