用于预测多晶材料有效性能的图神经网络：综合分析
材料科学
2023-06-09 v2
摘要
我们开发了多晶图神经网络（PGNN）模型，用于预测多晶材料的有效性能，并以Li7La3Zr2O12陶瓷为例。通过Voronoi镶嵌及电子背散射衍射图像处理，生成了包含超过5000种不同三维多晶微观结构（具有限宽度晶界）的大规模数据集。这些微观结构的有效离子电导率与弹性刚度系数由基于物理的高通量模拟计算。优化后的PGNN模型在预测有效锂离子电导率矩阵全部三个对角分量时误差低于1.4%，优于线性回归模型与两个基线卷积神经网络模型。采用顺序前向选择方法量化选取单个晶粒（晶界）特征对提升性能预测精度的相对重要性，并由此确定关键与冗余的节点（边）特征。我们还研究了训练后PGNN模型的外推性能，并利用预训练于电导率预测的PGNN模型预测同一组微观结构的弹性性能，评估其迁移学习表现。
引用
@article{arxiv.2209.05583,
title = {Graph Neural Network for Predicting the Effective Properties of Polycrystalline Materials: A Comprehensive Analysis},
author = {Minyi Dai and Mehmet F. Demirel and Xuanhan Liu and Yingyu Liang and Jia-Mian Hu},
journal= {arXiv preprint arXiv:2209.05583},
year = {2023}
}
备注
23 pages, 6 figures; added testing results on a new dataset and sequential feature selection