等变图神经网络用于分子、液体与固体的快速电子密度估计
计算物理
2022-08-30 v2 机器学习
摘要
电子密度 是用密度泛函理论（DFT）计算基态能量的基本变量。除总能量外， 分布的特征与变化常用于捕捉功能材料中的关键物理化学现象。我们提出一个用于预测 的机器学习框架。该模型基于等变图神经网络，电子密度在作为消息传递图一部分但仅接收消息的特殊查询点顶点处进行预测。模型在多个数据集上测试：分子（QM9）、液态碳酸乙烯酯电解质（EC）与 LixNiyMnzCo(1-y-z)O2 锂离子电池正极（NMC）。对于 QM9 分子，所提模型的精度超过了用不同交换关联泛函进行 DFT 计算所得 的典型变异性。在全部三个数据集上的精度均超越当前最优（SOTA），且计算时间比 DFT 快数个数量级。
引用
@article{arxiv.2112.00652,
title = {Equivariant graph neural networks for fast electron density estimation of molecules, liquids, and solids},
author = {Peter Bjørn Jørgensen and Arghya Bhowmik},
journal= {arXiv preprint arXiv:2112.00652},
year = {2022}
}
备注
27 pages, 10 figures