用于聚合物性质预测的图卷积神经网络
材料科学
2018-11-16 v1 机器学习
摘要
一种快速而准确的聚合物性质预测工具需求迫切，并将为迭代逆向设计铺平道路。本工作中，我们应用图卷积神经网络（GCNN）来预测聚合物的介电常数和能带隙。以密度泛函理论（DFT）计算的性质作为基准真值，GCNN能与DFT结果取得显著一致。此外，我们表明GCNN优于其他机器学习算法。我们的工作证明，GCNN仅依赖聚合物的形态数据，免除了对复杂人工设计描述符的需求，同时仍提供快速预测的准确度。
引用
@article{arxiv.1811.06231,
title = {Graph Convolutional Neural Networks for Polymers Property Prediction},
author = {Minggang Zeng and Jatin Nitin Kumar and Zeng Zeng and Ramasamy Savitha and Vijay Ramaseshan Chandrasekhar and Kedar Hippalgaonkar},
journal= {arXiv preprint arXiv:1811.06231},
year = {2018}
}
备注
Accepted for NIPS 2018 Workshop on Machine Learning for Molecules and Materials