使用等变图神经网络对无机材料的介电张量进行可扩展预测
材料科学
2026-01-13 v2
摘要
准确预测介电张量对于加速下一代无机介电材料的发现至关重要。现有的机器学习方法（如等变图神经网络）通常依赖专门设计的网络架构来强制实现 O(3) 等变性。然而，为了保持等变性，这些专门设计的模型将消息传递过程中等变特征的更新限制为线性变换或门控等变非线性。无法隐式表征更复杂的非线性结构可能会降低模型的预测精度。在本研究中，我们引入了一种基于帧平均的方法来实现等变介电张量预测。我们提出了 GoeCTP，这是一个 O(3) 等变框架，可在不对主干网络施加任何结构限制的情况下预测介电张量。我们将其性能与几个最先进的模型进行了基准比较，并进一步将其用于对 Materials Project 数据库中热力学稳定材料的大规模虚拟筛选。GoeCTP 成功识别了多种有前景的候选材料，例如 Zr(InBr)（带隙 eV，介电常数 ）和 SeI（各向异性比 ），证明了其在加速先进无机介电材料发现方面的准确性和效率。
引用
@article{arxiv.2601.04755,
title = {Scalable Dielectric Tensor Predictions for Inorganic Materials using Equivariant Graph Neural Networks},
author = {Haowei Hua and Chen Liang and Ding Pan and Irwin King and Shengchao Liu and Koji Tsuda and Wanyu Lin},
journal= {arXiv preprint arXiv:2601.04755},
year = {2026}
}