面向材料科学与化学的图神经网络
化学物理
2022-08-23 v1 材料科学
机器学习
摘要
机器学习在化学与材料科学的诸多领域发挥着日益重要的作用，例如预测材料性质、加速模拟、设计新材料以及预测新材料的合成路径。图神经网络（GNNs）是增长最快的机器学习模型类别之一。它们对化学与材料科学尤为相关，因为它们直接在分子与材料图或结构表示上工作，因此可完整获取表征材料所需的全部相关信息。在本综述文章中，我们概述 GNN 的基本原理、广泛使用的数据集与最先进架构，随后讨论 GNN 在化学与材料科学中广泛的最新应用，并以 GNN 进一步发展与应用的路线图作结。
引用
@article{arxiv.2208.09481,
title = {Graph neural networks for materials science and chemistry},
author = {Patrick Reiser and Marlen Neubert and André Eberhard and Luca Torresi and Chen Zhou and Chen Shao and Houssam Metni and Clint van Hoesel and Henrik Schopmans and Timo Sommer and Pascal Friederich},
journal= {arXiv preprint arXiv:2208.09481},
year = {2022}
}
备注
37 pages, 2 figures