DenseGNN：用于晶体和分子高性能属性预测的通用且可扩展的深层图神经网络
材料科学
2025-01-08 v1 机器学习
摘要
生成模型生成了大量假设性材料，需要快速、准确的模型来进行属性预测。图神经网络（GNN）在该领域表现出色，但面临训练成本高、领域适应问题和过平滑等挑战。我们引入了 DenseGNN，它采用密集连接网络（DCN）、分层节点-边-图残差网络（HRN）和局部结构序参数嵌入（LOPE）来解决这些挑战。DenseGNN 在 JARVIS-DFT、Materials Project 和 QM9 等数据集上取得了最先进的性能，提升了 GIN、Schnet 和 Hamnet 等模型在材料数据集上的表现。通过优化原子嵌入和降低计算成本，DenseGNN 实现了更深的架构，并在晶体结构区分方面超越了其他 GNN，接近 X 射线衍射方法的精度。这推进了材料的发现与设计。
引用
@article{arxiv.2501.03278,
title = {DenseGNN: universal and scalable deeper graph neural networks for high-performance property prediction in crystals and molecules},
author = {Hongwei Du and Jiamin Wang and Jian Hui and Lanting Zhang and Hong Wang},
journal= {arXiv preprint arXiv:2501.03278},
year = {2025}
}
备注
DenseGNN optimizes computational efficiency and accuracy in predicting material properties using DCN, HRN, and LOPE. It enhances transferability and overcomes over-smoothing, enabling deep architectures. Performance improvements on JARVIS-DFT, Materials Project, and QM9 datasets advance materials discovery and design