面向材料科学的优化晶体学图生成
材料科学
2023-07-12 v1 机器学习
摘要
图神经网络广泛应用于化学尤其是材料科学发现的机器学习中。然而对于晶体材料，从几何信息为神经网络生成基于图的表示并非易事。晶体的周期性需要高效实现以在大规模并行环境下实时处理。以训练基于图的新材料发现生成模型为目标，我们提出了一种在 GPU 优化下生成周期结构的截断图与 k 近邻图的高效工具。我们提供 pyMatGraph，一个与 PyTorch 兼容的框架，用于在神经网络架构训练期间实时生成图。我们的工具可更新结构的图，使生成模型能够在 GPU 端前向传播过程中更新几何并处理更新后的图。我们的代码公开于 https://github.com/aklipf/mat-graph。
引用
@article{arxiv.2307.05380,
title = {Optimized Crystallographic Graph Generation for Material Science},
author = {Astrid Klipfel and Yaël Frégier and Adlane Sayede and Zied Bouraoui},
journal= {arXiv preprint arXiv:2307.05380},
year = {2023}
}