PhAST：面向加速催化剂设计的物理感知、可扩展且任务专用的图神经网络
机器学习
2024-03-12 v4 计算物理
摘要
缓解气候危机需要迅速向低碳能源转型。催化剂材料在众多对该转型至关重要的工业过程（如可再生能源存储与电燃料合成）所涉及的电化学反应中发挥着关键作用。为减少此类活动的能耗，我们必须快速发现更高效的催化剂以驱动电化学反应。机器学习（ML）有潜力从大量数据中高效建模材料性质，从而加速电催化剂设计。为此构建了 Open Catalyst Project OC20 数据集。然而，在 OC20 上训练的 ML 模型在可扩展性与精度上仍不足以满足实际应用。本文提出适用于大多数架构的任务专用改进，同时提升计算效率与精度。这包括在以下方面的改进：(1) 图构建步骤，(2) 原子表示，(3) 能量预测头，以及 (4) 力预测头。我们描述了这些被称为 PhAST 的贡献，并在多种架构上进行了充分评估。总体而言，PhAST 将能量 MAE 降低 4% 至 42%，同时将计算时间根据目标任务/模型除以 3 至 8 倍。PhAST 还支持 CPU 训练，在高度并行化设置下带来 40 倍的加速。Python 包：\url{https://phast.readthedocs.io}。
引用
@article{arxiv.2211.12020,
title = {PhAST: Physics-Aware, Scalable, and Task-specific GNNs for Accelerated Catalyst Design},
author = {Alexandre Duval and Victor Schmidt and Santiago Miret and Yoshua Bengio and Alex Hernández-García and David Rolnick},
journal= {arXiv preprint arXiv:2211.12020},
year = {2024}
}
备注
Journal of Machine Learning Research (JMLR)