基于结构指纹的图神经网络预训练用于材料发现
材料科学
2025-03-04 v1 机器学习
摘要
近年来，针对材料科学中各种潜在下游任务的图神经网络（GNN）已开发为通用模型，可有效进行微调，并在准确率和数据效率方面显示出显著的改进。当前最广泛使用的预训练方法要么涉及监督训练以拟合通用力场，要么通过对原子结构平衡进行去噪实现自监督训练。这两种方法都需要来自量子力学计算的数据集，而当数据集规模扩大时，这些数据集会变得难以处理。我们提出了一种新的预训练目标，改用易于计算的结构指纹作为目标，同时在不同结构描述符上保持可 comparable 的性能。我们的实验表明，这种方法可作为大规模原子数据基础模型的预训练策略。
引用
@article{arxiv.2503.01227,
title = {Pre-training Graph Neural Networks with Structural Fingerprints for Materials Discovery},
author = {Shuyi Jia and Shitij Govil and Manav Ramprasad and Victor Fung},
journal= {arXiv preprint arXiv:2503.01227},
year = {2025}
}