基于图神经网络预测氧化铝多晶型物的势能面
材料科学
2023-01-31 v1
摘要
如果我们能有效地从可用数据中学习，新材料的设计与发现过程可以显著加速和简化。深度学习方法（DL）近期受到广泛关注，因其能够通过预测接近实验和第一性原理计算精度的材料性质来加快新材料设计。由于实验数据量有限，应用深度学习预测实验测量的材料性质虽有价值但充满挑战。现有大多数从计算数据预测性质的方法也针对特定材料性质。在本工作中，我们扩展了该方法，提出景观晶体图卷积网络（LCGCN），一种基于图卷积网络的精确且可迁移的深度学习框架。LCGCN 直接从原子构型学习势能面（PES）。该方法能够实现可预测不同材料性质的可迁移模型。我们将该框架应用于块体晶体（即 Al2O3），并通过在不同温度和不同晶相上计算势能面来测试它。
引用
@article{arxiv.2301.12059,
title = {Potential energy surface prediction of Alumina polymorphs using graph neural network},
author = {Soumya Sanyal and Arun Kumar Sagotra and Narendra Kumar and Sharad Rathi and Mohana Krishna and Nagesh Somayajula and Duraivelan Palanisamy and Ram R. Ratnakar and Suchismita Sanyal and Partha Talukdar and Umesh Waghmare and Janakiraman Balachandran},
journal= {arXiv preprint arXiv:2301.12059},
year = {2023}
}