利用图神经网络预测和解释金属玻璃的能量势垒
无序系统与神经网络
2024-09-05 v3 材料科学
机器学习
摘要
金属玻璃（Metallic Glasses, MGs）是一种广泛使用的材料，其强度高于钢，同时可如塑料般塑形。尽管理解 MGs 的结构-性能关系仍是材料科学中的一项挑战，但将其能量势垒（Energy Barriers, EBs）作为中间步骤进行研究显示出前景。在这项工作中，我们利用图神经网络（Graph Neural Networks, GNNs）对 MGs 建模并研究 EBs。我们贡献了一个用于 EB 预测的新数据集，以及一个新颖的对称化 GNN（SymGNN）模型，该模型在期望上是 E(3)-不变的。SymGNN 通过对图结构的正交变换进行聚合来处理不变性。应用于 EB 预测时，SymGNN 比分子动力学（MD）局部采样方法和其他机器学习模型更准确。与精确的 MD 模拟相比，SymGNN 将新 MGs 的推理时间从大约 41 天减少到不到一秒。我们应用解释算法来揭示结构与 EBs 之间的关系。我们通过解释识别出的结构符合中程序（MRO）假说，并具有独特的拓扑性质。我们的工作实现了对 MG EBs 的有效预测和解释，有力推动了材料科学研究。
引用
@article{arxiv.2401.08627,
title = {Predicting and Interpreting Energy Barriers of Metallic Glasses with Graph Neural Networks},
author = {Haoyu Li and Shichang Zhang and Longwen Tang and Mathieu Bauchy and Yizhou Sun},
journal= {arXiv preprint arXiv:2401.08627},
year = {2024}
}
备注
ICML 2024. Code available at https://github.com/haoyuli02/SymGNN