整合图神经网络与多体展开理论用于势能面
材料科学
2024-11-05 v1 神经与进化计算
化学物理
摘要
对下一代功能材料的合理设计依赖于对单个构件之外的电子结构进行定量预测。随着材料规模超过数百个原子，第一性原理量子力学(QM)建模变得不可行。本研究开发了新的计算工具，将片段基图神经网络(FBGNN)集成到片段基多体展开(MBE)理论中，称为FBGNN-MBE，展示了其复现Hierarch化化学系统全维势能面(FD-PES)具有可管理的精度、复杂度和可解释性的能力。具体而言，我们将整个系统划分为基本构件(片段)，使用第一性原理QM模型评估单个片段能量，并通过FBGNN训练的结构-属性关系处理多片段相互作用。我们发展的FBGNN-MBE展示了将深度学习模型集成到片段基QM方法中的潜力，是计算辅助设计大型功能材料的重要一步。
引用
@article{arxiv.2411.01578,
title = {Integrating Graph Neural Networks and Many-Body Expansion Theory for Potential Energy Surfaces},
author = {Siqi Chen and Zhiqiang Wang and Xianqi Deng and Yili Shen and Cheng-Wei Ju and Jun Yi and Lin Xiong and Guo Ling and Dieaa Alhmoud and Hui Guan and Zhou Lin},
journal= {arXiv preprint arXiv:2411.01578},
year = {2024}
}
备注
Accepted as a Spotlight paper to NeurIPS 2024 AI4Mat Workshop. See https://openreview.net/forum?id=ra3CxVuhUf