基于商余复合转换器（QCformer）的钙钛矿数据分析
机器学习
2025-05-15 v1 材料科学
摘要
新型功能材料的发现对于应对可持续能源获取与气候变化挑战至关重要。杂化有机-无机钙钛矿（HOIPs）因其在光伏领域的卓越光电性质而受到关注。近期，几何深度学习，特别是图神经网络（GNN），在预测材料性质与指导材料设计方面显示出强大的潜力。然而，传统 GNN 难以捕捉此类系统中常见的周期结构与高阶相互作用。为此，本文提出一种基于商余复合体（QC）的新型表示方法，并引入基于商余复合体的转换器（QCformer）进行材料性质预测。将材料结构建模为商余复合体，通过维数不同的单形体（simplex）编码两两及多体相互作用，并通过商运算捕获材料周期性。该模型利用定义在单形体上的高阶特征，并采用基于单形体的转换器模块进行处理。在基准数据集如 Materials Project 与 JARVIS 上进行预训练，在 HOIP 数据集上进行微调。结果表明，QCformer 在 HOIP 性质预测方面优于当前最先进的模型，证明其有效性。商余复合体表示与 QCformer 模型共同构成了预测钙钛矿材料的强大新工具。
引用
@article{arxiv.2505.09174,
title = {Quotient Complex Transformer (QCformer) for Perovskite Data Analysis},
author = {Xinyu You and Xiang Liu and Chuan-Shen Hu and Kelin Xia and Tze Chien Sum},
journal= {arXiv preprint arXiv:2505.09174},
year = {2025}
}