基于边的张量预测：通过图神经网络实现
材料科学
2022-01-19 v1 机器学习
计算物理
摘要
消息传递神经网络（MPNN）在预测分子与晶体物理性质方面已展现出极高的效率与精度，有望成为密度泛函理论（DFT）之后的下一代材料模拟工具。然而，目前缺乏一种可直接预测晶体张量性质的通用 MPNN 框架。本工作提出了一种预测张量性质的通用框架：晶体的张量性质可分解为晶体中所有原子张量贡献的平均值，而每个原子的张量贡献可展开为连接该原子的各边方向上张量投影之和。在此基础上，提出了力矢量、玻恩有效电荷（BECs）、介电（DL）与压电（PZ）张量的基于边的展开式。这些展开式具有旋转等变性，而这些张量展开式中的系数为旋转不变标量，类似于形成能与带隙等物理量。该张量预测框架的优势在于无需网络本身具有等变性。因此，本工作在不变图神经网络基础上直接设计了基于边的张量预测图神经网络（ETGNN）模型以预测张量。通过对扩展体系、随机扰动结构及 JARVIS-DFT 数据集的测试，展示了该张量预测框架的有效性与高精度。该张量预测框架对几乎所有 GNN 均通用，且未来借助更先进的 GNN 可实现更高精度。
引用
@article{arxiv.2201.05770,
title = {Edge-based Tensor prediction via graph neural networks},
author = {Yang Zhong and Hongyu Yu and Xingao Gong and Hongjun Xiang},
journal= {arXiv preprint arXiv:2201.05770},
year = {2022}
}
备注
19 pages, 3 figures