利用 E(3)-等变图神经网络预测声子
无序系统与神经网络
2024-03-19 v1 材料科学
摘要
我们提出了一种等变神经网络,分别用于预测分子和周期性晶体的振动模式和声子模式。这些预测是通过对使用能量和力数据训练的习得能量模型求二阶导数 Hessian 矩阵来实现的。利用该方法,我们能够高效预测无机晶体材料的声子色散和态密度。对于分子,我们还通过分析声子模不可约表示推导出了红外/拉曼活性模式的对称性约束。此外,我们证明了使用 Hessian 作为一种新型高阶训练数据,可以改进能量模型,使其超越仅使用低阶能量和力数据的模型。通过这种二阶导数方法,可以将能量模型直接与振动特性的实验观测联系起来。该方法进一步通过包含外场的广义能量模型与更广泛的物理可观测量相联系。
引用
@article{arxiv.2403.11347,
title = {Phonon predictions with E(3)-equivariant graph neural networks},
author = {Shiang Fang and Mario Geiger and Joseph G. Checkelsky and Tess Smidt},
journal= {arXiv preprint arXiv:2403.11347},
year = {2024}
}
备注
4 figures