FIRE-GNN：面向快速精确表面性质预测的力感知、松弛等距图神经网络
材料科学
2026-01-12 v1 机器学习
计算物理
摘要
表面功函数和断裂能是决定材料在电子喷射、半导体器件及异质催化应用中可行性的关键性质。虽然第一性原理计算在预测这些性质方面精确可靠，但计算开销昂贵且表面空间广阔，使得以密度泛函理论(DFT)进行的综合筛选方法不可行。本文引入FIRE-GNN(Force-Informed, Relaxed Equivariance Graph Neural Network)，其集成了表面法向方向上的对称性破缺及基于机器学习原子势(MLIP)推导出的力信息，实现了对工作函数预测平均绝对误差降低最高可达50%(至0.065 eV)。我们还对最近的不变与等距架构进行基准测试，分析了对称性破缺的影响，并评估了跨分布外的泛化能力，结果表明FIRE-GNN在工作函数预测方面始终优于竞争模型。该模型使对工作函数和断裂能在广阔化学空间的精准快速预测成为可能，促进了具有调谐表面性质的材料的发现。
引用
@article{arxiv.2508.16012,
title = {FIRE-GNN: Force-informed, Relaxed Equivariance Graph Neural Network for Rapid and Accurate Prediction of Surface Properties},
author = {Circe Hsu and Claire Schlesinger and Karan Mudaliar and Jordan Leung and Robin Walters and Peter Schindler},
journal= {arXiv preprint arXiv:2508.16012},
year = {2026}
}