用于角度依赖性质的高效可解释图神经网络表示及其在光谱学中的应用
机器学习
2022-02-17 v2 计算物理
摘要
图神经网络因其对原子和键的直观图编码而在学习原子结构性质方面颇具吸引力。然而，传统编码不包含角度信息，而角度信息对于描述无序系统中的原子排列至关重要。在这项工作中，我们扩展了最近提出的包含键角的ALIGNN编码，使其进一步包含二面角（ALIGNN-d）。这一简单扩展带来了一种内存高效的图表示，能够捕捉原子结构的完整几何。ALIGNN-d被应用于预测动态无序Cu(II)水合配合物的红外光学响应，利用内在可解释性来阐明各结构组分的相对贡献。研究发现键角和二面角是吸收响应精细结构的关键贡献者，代表更常见几何之间转变的畸变表现出最强的吸收强度。讨论了ALIGNN-d进一步发展的未来方向。
引用
@article{arxiv.2109.11576,
title = {Efficient, Interpretable Graph Neural Network Representation for Angle-dependent Properties and its Application to Optical Spectroscopy},
author = {Tim Hsu and Tuan Anh Pham and Nathan Keilbart and Stephen Weitzner and James Chapman and Penghao Xiao and S. Roger Qiu and Xiao Chen and Brandon C. Wood},
journal= {arXiv preprint arXiv:2109.11576},
year = {2022}
}