DeepCrysTet：一种利用四面体网格预测晶体材料性质的深度学习方法
材料科学
2023-10-12 v1 机器学习
摘要
机器学习（ML）在预测材料性质以加速材料发现方面正日益流行。由于材料性质受其晶体结构强烈影响，一个关键问题是将晶体结构转换为供 ML 模型输入的特徵。目前最常用的方法是把晶体结构转换为图，并使用图神经网络（GNN）预测其性质。一些 GNN 模型，如晶体图卷积神经网络（CGCNN）和原子线图神经网络（ALIGNN），已实现高精度的材料性质预测。尽管取得这些成功，用图表示晶体结构存在明显局限，即丢失晶体结构的三维（3D）信息。本工作中，我们提出 DeepCrysTet，一种用于预测材料性质的新型深度学习方法，其使用由德劳内四面体化生成的 3D 四面体网格来表示晶体结构。DeepCrysTet 提供了一个有用框架，包含 3D 网格生成方法、基于网格的特征设计以及神经网络设计。使用 Materials Project 数据集的实验结果表明，DeepCrysTet 在晶体结构分类上显著优于现有 GNN 模型，并在弹性性质预测上取得最先进性能。
引用
@article{arxiv.2310.06852,
title = {DeepCrysTet: A Deep Learning Approach Using Tetrahedral Mesh for Predicting Properties of Crystalline Materials},
author = {Hirofumi Tsuruta and Yukari Katsura and Masaya Kumagai},
journal= {arXiv preprint arXiv:2310.06852},
year = {2023}
}