利用持续同调特征通过图神经网络精确预测缺陷形成能

在机器学习辅助的高通量缺陷研究中，超胞结构的缺陷感知潜在表示对于准确预测缺陷性质至关重要。当前图神经网络模型的性能受到限制，原因是缺陷性质强烈依赖于缺陷位点附近的局域原子构型，以及图神经网络的过平滑问题。在此，我们证明持续同调特征（编码每个原子位点周围局域化学环境的拓扑信息）能够表征缺陷的结构信息。以包含所有可用空位的多种基于\ch{O}的钙钛矿数据集为例，我们表明，结合持续同调特征以及适当的图池化操作选择，可以显著提高预测精度，平均绝对误差降低了55%。这些特征可以轻松集成到最先进的图神经网络模型中，包括图Transformer网络和等变神经网络，并普遍提升其性能。此外，我们的模型还克服了先前图神经网络模型中存在的关于超胞尺寸的收敛性问题。更进一步，以包含多种替代和多种空位的缺陷\ch{BaTiO3}数据集为例，我们的图神经网络模型也能准确预测缺陷-缺陷相互作用。这些结果表明，持续同调特征可以有效提升机器学习模型的性能，并有助于加速发现用于技术应用的功能性缺陷。