利用具有不变局部描述符的三维图神经网络预测材料性质

准确预测物理性质对于发现和设计新材料至关重要。机器学习技术因其在大规模筛选方面的潜力而在材料科学界引起了极大关注。图卷积神经网络（GCNN）是最成功的机器学习方法之一，因其在描述三维结构数据方面的灵活性和有效性。大多数现有的GCNN模型侧重于拓扑结构，但过度简化了三维几何结构。然而，在材料科学中，原子的三维空间分布对于确定原子状态和原子间作用力至关重要。本文提出了一种具有新颖卷积机制的自适应GCNN，可同时建模三维空间中所有邻近原子间的原子相互作用。我们将所提出的模型应用于两个截然不同的、具有挑战性的材料性质预测问题。第一个是金属有机框架（MOFs）中气体吸附的亨利常数，由于其高度依赖于原子构型而 notoriously 难以预测。第二个是固态晶体材料中的离子电导率，由于可用于训练的标记数据很少而难以预测。新模型在两个数据集上均优于现有的基于图的模型，表明其确实捕获了关键的三维几何信息。