等变图神经网络用于预测松弛原子配置属性的代理模型
材料科学
2026-03-31 v2 计算物理
摘要
密度泛函理论（DFT）计算确定最小化构能的结构的松弛后原子位置和晶格参数。我们提出了一种等变图神经网络（EGNN）模型，用于预测感兴趣结构的 DFT 计算结果。簇展开是表示构能的成熟方法之一。然而，传统簇展开在处理固定晶格之外的变动问题时受限，包括嵌原子、无定形材料以及具有多种结构的材料。EGNN 提供了更灵活的框架，无需依赖特定晶格，即可固有地尊重系统的对称性。本文我们给出数学框架并展示了在锂钴氧化物（LCO）不同锂组成及锂原子排列下的训练结果。我们的结果表明，EGNN 能够准确预测训练集之外的量值，包括最大原子位移、应变张量与能量，以及构能，从而在无需更多 DFT 计算的情况下为研究系统提供更深入的洞见。
引用
@article{arxiv.2505.08121,
title = {Equivariant graph neural network surrogates for predicting the properties of relaxed atomic configurations},
author = {Jamie Holber and Siddhartha Srivastava and Krishna Garikipati},
journal= {arXiv preprint arXiv:2505.08121},
year = {2026}
}
备注
11 pages, 6 figures