DR-Label:通过标签解构与重构改进催化体系的图神经网络模型
机器学习
2023-03-07 v1 化学物理
摘要
获得催化剂-吸附物体系的平衡态是基本评估其有效性质(如吸附能)的关键。具有更精细监督策略的机器学习方法已被用于加速和引导原子体系的弛豫过程,并更好地预测其平衡态性质。本文提出一种新颖的图神经网络(GNN)监督与预测策略 DR-Label。该方法增强了监督信号,降低了边表示中解的多重性,并促使模型给出对图结构变化鲁棒的节点预测。DR-Label 首先通过将节点级监督信号投影到每条边上,向模型解构更细粒度的平衡态信息;反之,模型通过球拟合算法将边级预测转换为节点级,重构更具鲁棒性的平衡态预测。DR-Label 策略被应用于三种截然不同的模型,每种均表现出一致的性能提升。基于 DR-Label 策略,我们进一步提出 DRFormer,其在 Open Catalyst 2020 (OC20) 数据集与基于 Cu 的单原子合金 CO 吸附 (SAA) 数据集上取得了新的最先进性能。我们期望本工作将为开发更精确的催化体系平衡态性质预测模型指明关键步骤。
引用
@article{arxiv.2303.02875,
title = {DR-Label: Improving GNN Models for Catalysis Systems by Label Deconstruction and Reconstruction},
author = {Bowen Wang and Chen Liang and Jiaze Wang and Furui Liu and Shaogang Hao and Dong Li and Jianye Hao and Guangyong Chen and Xiaolong Zou and Pheng-Ann Heng},
journal= {arXiv preprint arXiv:2303.02875},
year = {2023}
}
备注
11 pages, 3 figures