审视用于晶体结构的图神经网络：捕捉周期性的局限与机遇
材料科学
2023-03-29 v3
摘要
历史上，材料信息学依赖于人工设计的材料结构描述符。近年来，图神经网络（GNN）被提出用于从数据中端到端地学习晶体结构的表示，生成针对下游预测任务优化的向量嵌入。然而，缺乏一种系统性的方案来分析和理解GNN在捕捉晶体结构方面的局限。本工作中，我们提出将人工设计描述符作为人类知识库，以检验黑盒GNN能否捕捉晶体结构知识。我们发现当前最先进的GNN不能很好地捕捉晶体结构的周期性，并从局部表达能力、长程信息和读出函数三个方面分析了导致此失败的GNN模型局限。我们提出了一种初步解决方案，将描述符与GNN混合，以改进GNN对材料性质的预测，尤其是声子内能和热容的预测误差降低了90%，并分析了预测改进的机理。所有分析均可轻松扩展到其他深度表示学习模型、人工设计描述符以及分子和非晶材料等体系。
引用
@article{arxiv.2208.05039,
title = {Examining graph neural networks for crystal structures: limitations and opportunities for capturing periodicity},
author = {Sheng Gong and Tian Xie and Yang Shao-Horn and Rafael Gomez-Bombarelli and Jeffrey C. Grossman},
journal= {arXiv preprint arXiv:2208.05039},
year = {2023}
}