在深度学习模型中利用轨道信息与原子特征
材料科学
2022-11-22 v1 人工智能
机器学习
摘要
基于材料微观结构预测材料性质长期以来是一个具有挑战性的问题。近来许多深度学习方法被开发用于材料性质预测。在本研究中，我们提出一个晶体表示学习框架 Orbital CrystalNet（OCrystalNet），其由两部分组成：原子描述符生成与图表示学习。在 OCrystalNet 中，我们首先结合轨道场矩阵（OFM）与原子特征构建 OFM-特征原子描述符，然后将该原子描述符用作原子-键消息传递模块中的原子嵌入，该模块利用晶体图的拓扑结构学习晶体表示。为展示 OCrystalNet 的能力，我们在 Material Project 数据集与 JARVIS 数据集上执行了若干预测任务，并将我们的模型与其他基线及最先进方法比较。为进一步呈现 OCrystalNet 的有效性，我们进行了消融研究与案例研究。结果表明我们的模型相较其他最先进模型具有多种优势。
引用
@article{arxiv.2211.11543,
title = {Leveraging Orbital Information and Atomic Feature in Deep Learning Model},
author = {Xiangrui Yang},
journal= {arXiv preprint arXiv:2211.11543},
year = {2022}
}