图卷积神经网络作为“通用”性质预测器：普适性与适用界限
计算物理
2020-06-11 v2
摘要
如今，利用机器学习(ML)技术开发新型功能材料/化合物是一个热点话题，其中包含若干关键步骤，其中之一便是化学结构表示的选择。ML中严谨特征工程的经典方法通常能提升预测模型的性能，但同时也缩小了适用范围并降低了预测结果的物理可解释性。在本研究中，我们提出图卷积神经网络(GCNN)作为一种架构，可使用一组最小的有意义描述符，成功预测化学空间不同领域中化合物的性质。GCNN模型的适用性已通过广泛的化学领域特异性性质得到证明。其性能可与最先进技术(state-of-the-art)相媲美；然而，该架构无需进行精确的特征工程。
引用
@article{arxiv.1906.06256,
title = {Graph convolutional neural networks as "general-purpose" property predictors: the universality and limits of applicability},
author = {Vadim Korolev and Artem Mitrofanov and Alexandru Korotcov and Valery Tkachenko},
journal= {arXiv preprint arXiv:1906.06256},
year = {2020}
}
备注
8 pages, 1 figure, 3 tables; added Acknowledgments