面向未弛豫结构弛豫能图神经网络学习的数据增强
计算物理
2022-03-01 v1
摘要
过去十年中，由于计算能力和晶体结构预测算法（CSPA）的进步，计算材料发现其实用性持续增长。然而，CSPA 所需的 ab initio 计算的计算成本将其实用性限制在小晶胞，减少了算法可探索的组成与结构空间。以往研究通过利用机器学习方法预测形成能并确定材料稳定性，规避了许多不必要的 ab initio 计算。具体而言，图神经网络在预测形成能方面表现出高保真度。传统上图神经网络在大型弛豫结构数据集上训练。遗憾的是，CSPA 产生的未弛豫候选结构几何往往偏离弛豫态，导致预测不佳，阻碍模型在 ab initio 评估前过滤能量不利结构的能力。本工作表明，弛豫结构的预测误差随训练推进而减小，而未弛豫结构的预测误差增大，暗示弛豫与未弛豫结构预测精度之间存在反相关。为纠正此行为，我们提出一种简单、具物理动机且计算廉价的扰动技术，用于增强训练数据，从而显著改善未弛豫结构的预测。在由 623 个 Nb-Sr-H 氢化物结构组成的测试集上，我们发现使用我们的增强方法训练晶体图卷积神经网络，相比仅用弛豫结构训练，将形成能预测的 MAE 降低了 66%。我们随后展示该误差降低如何通过提升模型准确过滤能量不利结构的能力来加速 CSPA。
引用
@article{arxiv.2202.13947,
title = {Data-Augmentation for Graph Neural Network Learning of the Relaxed Energies of Unrelaxed Structures},
author = {Jason B. Gibson and Ajinkya C. Hire and Richard G. Hennig},
journal= {arXiv preprint arXiv:2202.13947},
year = {2022}
}
备注
8 pages, 6 figures