精简 CNN 用于将电子电荷密度场映射到材料属性
材料科学
2025-05-16 v1 无序系统与神经网络
应用物理
摘要
本工作引入一种精简 CNN（卷积神经网络）框架，其可训练参数数量大幅减少（<81K），相较于当前文献中的基准模型更为精简，以捕捉电子电荷密度（ECD）场与其相关有效属性之间底层低计算成本（即代理）关系。这种精简 CNN 的实现，得益于加入了预处理步骤（即特征工程步骤），即计算 ECD 场的空间相关性（具体为 2 点空间相关性）。本文通过仅使用经特征工程化的 ECD 场作为输入，建立了稳健的结构-属性关系，预测有效材料属性。该框架在由 1410 个分子结构构成的晶体立方体系统数据集上进行评估，涵盖 62 种不同元素和 3 个空间群。
引用
@article{arxiv.2505.09826,
title = {Lean CNNs for mapping electron charge density fields to material properties},
author = {Pranoy Ray and Kamal Choudhury and Surya R. Kalidindi},
journal= {arXiv preprint arXiv:2505.09826},
year = {2025}
}