用于分类德拉福斯特化合物结构与磁性的可解释图神经网络
材料科学
2025-12-02 v1 无序系统与神经网络
摘要
德拉福斯特化合物（ABC₂，其中 A 和 B 为金属，C 为硫化物）是一类灵活的量子材料和层状氧化物/硫化物，其性质对原子组成和堆叠几何极其敏感。其广泛的化学可调性使其成为大规模组合探索和高通量计算筛选具有理想量子性质的理想平台。本文采用概念增强图神经网络（Concept Whitening Graph Neural Network），这是一种灰箱 AI 模型，对德拉福斯特结构进行堆叠序列和磁性状态分类。通过将学习到的表示与人类可解释物理概念对齐，这种灰箱方法既实现了准确预测，也揭示了驱动磁性行为的结构和化学特征。磁性排序模型实现的验证准确率超过 80%，并在 incorporating 最大数量概念的模型中进一步略微提升。概念对齐分析显示，模型在九个物理上有意义的描述符上实现了可衡量的学习，其中 d 壳价电子概念的决定系数约为 0.6，而磁性耦合参数的决定系数在 0.4-0.5 之间。此外，我们将概念重要性映射到材料图表示上，阐明了可解释的物理趋势以及稳定概念对齐区域在训练中的演进。这些结果表明，可解释的图基学习有望捕捉复杂材料系统的底层物理，并为加速德拉福斯特及相关晶体材料的发现和理解提供了可解释框架。
引用
@article{arxiv.2512.00292,
title = {Interpretable Graph Neural Networks for Classifying Structure and Magnetism in Delafossite Compounds},
author = {Jovin Ryan Joseph and Do Hoon Kiem and Sinchul Yeom and Mina Yoon},
journal= {arXiv preprint arXiv:2512.00292},
year = {2025}
}
备注
6 main figures, 9 SI figures