用于晶体材料性质预测的周期性图Transformer
机器学习
2022-09-27 v1
摘要
我们考虑对编码晶体材料的周期性图进行表示学习。与常规图不同，周期性图由一个在三维空间中规则晶格上自我重复的最小单位晶胞组成。如何有效编码这些周期性结构带来了常规图表示学习中不存在的独特挑战。除了具有 E(3) 不变性外，周期性图表示还需要具有周期不变性。即，由于晶胞边界是人为施加的，学习到的表示应对于晶胞边界的平移保持不变。此外，需要显式地捕捉周期性重复模式，因为不同大小和取向的晶格可能对应不同的材料。在本工作中，我们提出了一种称为 Matformer 的 Transformer 架构，用于周期性图表示学习。我们的 Matformer 被设计为对周期性不变，并能显式捕捉重复模式。具体而言，Matformer 通过高效利用相邻晶胞中相同原子之间的几何距离来编码周期模式。在多个常用基准数据集上的实验结果表明，我们的 Matformer 始终优于基线方法。此外，我们的结果证明了周期不变性和显式重复模式编码对于晶体表示学习的重要性。
引用
@article{arxiv.2209.11807,
title = {Periodic Graph Transformers for Crystal Material Property Prediction},
author = {Keqiang Yan and Yi Liu and Yuchao Lin and Shuiwang Ji},
journal= {arXiv preprint arXiv:2209.11807},
year = {2022}
}
备注
This paper has been accepted by NeurIPS 2022. You can also cite the conference version of this paper