催化剂-吸附质三维相互作用对于弛豫能量预测的重要性
机器学习
2023-10-11 v1
摘要
机器学习用于材料性质预测与发现传统上集中于包含全部原子几何构型的图神经网络。然而在实践中，并非所有此类信息都易于获取，例如在评估吸附质与催化剂可能未知的键合时。本文中，我们探究是否可以在忽略吸附质相对于电催化剂相对位置的情况下，预测 OC20 数据集中的系统弛豫能量。我们考虑以 SchNet、DimeNet++ 和 FAENet 作为基础架构，并衡量四种修改对模型性能的影响：移除输入图中的边、独立表示的池化、不共享主干权重，以及使用注意力机制传播非几何相对信息。我们发现，虽然移除结合位点信息如预期般损害精度，但修改后的模型能够以相当不错的 MAE 预测弛豫能量。我们的工作指出了加速材料发现的未来研究方向，其中反应物构型信息可被削减或完全省略。
引用
@article{arxiv.2310.06682,
title = {On the importance of catalyst-adsorbate 3D interactions for relaxed energy predictions},
author = {Alvaro Carbonero and Alexandre Duval and Victor Schmidt and Santiago Miret and Alex Hernandez-Garcia and Yoshua Bengio and David Rolnick},
journal= {arXiv preprint arXiv:2310.06682},
year = {2023}
}