面向晶体结构优化的等变原子与晶格建模：基于几何深度学习
材料科学
2025-11-18 v1
摘要
结构优化——即产生松弛结构（最小能量态）——对于可靠的材料性质计算至关重要，但传统ab initio方法如密度泛函理论（DFT）计算开销巨大。机器学习（ML）涌现为缓解这一瓶颈，但存在两个主要局限：（i）现有模型主要作用于原子，晶格向量虽在结构优化中起关键作用，却被视为隐式；（ii）它们常依赖多阶段、非端到端的工作流程，易产生误差累积。本文提出E3Relax，一种端到端等变图神经网络，将未松弛晶体直接映射到其松弛结构。E3Relax使原子与晶格向量都成为拥有双标量-向量特征的图节点，实现对原子位移和晶格变形的统一且保持对称性的建模。一种层级监督策略迫使网络每个深度都进行物理上有意义的细化，模拟DFT的逐步收敛，同时保持完全端到端的管道。我们在四个基准数据集上评估E3Relax，证明其在准确率与效率方面均取得显著成果。通过DFT验证，我们展示E3Relax预测的结构能量最优，适合作为加速DFT计算的高质量初始配置。
引用
@article{arxiv.2511.12243,
title = {Equivariant Atomic and Lattice Modeling Using Geometric Deep Learning for Crystal Structure Optimization},
author = {Ziduo Yang and Yi-Ming Zhao and Xian Wang and Wei Zhuo and Xiaoqing Liu and Lei Shen},
journal= {arXiv preprint arXiv:2511.12243},
year = {2025}
}