用于铁磁系统全局与原子性质同步预测的多任务图神经网络
材料科学
2022-05-09 v1 机器学习
计算物理
摘要
我们引入一种多任务图卷积神经网络 HydraGNN，用于同时预测全局与原子物理性质，并以铁磁材料进行演示。我们在开源的第一性原理密度泛函理论（DFT）铁铂（FePt）数据集上训练 HydraGNN，该数据集具有固定的体心四方（BCT）晶格结构和固定体积，用于同时预测混合焓（系统的全局特征）、原子电荷转移以及跨越整个成分范围的构型下的原子磁矩。通过利用材料性质间潜在的物理关联，HydraGNN 的多任务学习（MTL）即使在数据量适中时也能提供有效训练。此外，这仅需一种架构而非单任务学习（STL）所需的三种。HydraGNN 架构的首个卷积层由所有学习任务共享，提取所有材料性质共有的特征。后续层区分不同性质的特征，其结果被送入最终层的独立头以产生预测。数值结果表明，HydraGNN 有效捕捉了整个成分范围内构型熵与材料性质之间的关系。总体而言，同步 MTL 预测的精度与 STL 预测的精度相当。另外，用于 MTL 训练 HydraGNN 的计算成本远低于原始 DFT 计算，也低于为每个性质训练独立 STL 模型的成本。
引用
@article{arxiv.2202.01954,
title = {Multi-task graph neural networks for simultaneous prediction of global and atomic properties in ferromagnetic systems},
author = {Massimiliano Lupo Pasini and Pei Zhang and Samuel Temple Reeve and Jong Youl Choi},
journal= {arXiv preprint arXiv:2202.01954},
year = {2022}
}
备注
13 pages, 6 figures