基于局部环境的机器学习用于分子吸附能预测
材料科学
2023-11-21 v1
摘要
材料科学中的大多数机器学习（ML）模型由全局几何特征开发，往往难以描述局部化特征，如材料上的分子吸附。在本研究中，我们引入一种局部环境框架，从晶体结构中提取局部特征以刻画特定吸附位点周围的环境。基于 OC20 数据库（约 20,000 个 3D 条目），我们将局部环境框架应用于若干 ML 模型，如随机森林、卷积神经网络和图神经网络。研究发现，我们的框架在预测分子吸附能方面取得了显著的预测精度，明显优于其他所考察的基于全局环境的模型。此外，该框架降低了数据需求并提升了计算速度，尤其对于深度学习算法。最后，我们将局部环境 ResNet（LERN）直接应用于一个小型 2DMatPedia 数据库（约 2,000 个 2D 条目），同样实现了高精度预测，展示了模型的迁移性与出色的数据效率。总体而言，我们基于局部环境的 ML 框架的预测精度、数据利用效率和迁移性在广泛的分子吸附领域（如催化与传感器技术）具有可观的高适用性。
引用
@article{arxiv.2311.11364,
title = {Local environment-based machine learning for molecular adsorption energy prediction},
author = {Yifan Li and Yihan Wu and Yuhang Han and Qujie Lyu and Hao Wu and Xiuying Zhang and Lei Shen},
journal= {arXiv preprint arXiv:2311.11364},
year = {2023}
}
备注
6 figures