自监督表示与节点嵌入图神经网络用于材料的精确多尺度分析
材料科学
2025-05-22 v4 计算物理
摘要
监督式机器学习算法,如图神经网络(GNN),已成功预测材料性质。然而,GNN 的优越性能通常依赖于在大型材料数据集上的端到端学习,这可能丢失材料多尺度信息的物理洞见。并且标注数据的过程消耗大量资源且不可避免地引入误差,制约了预测精度。我们提出通过在晶体图的节点与边信息上以自监督学习训练 GNN 模型。与流行的人工构建材料描述符相比,自监督原子表示在材料性质预测上可达到更优性能。此外,其可通过调节范围信息提供物理洞见。将自监督原子表示应用于磁矩数据集,我们展示了它们如何从磁性材料中提取规则与信息。为将丰富物理信息融入 GNN 模型,我们发展了节点嵌入图神经网络(NEGNN)框架,并显示出预测性能的显著提升。自监督材料表示与 NEGNN 框架可深入探究材料信息,并可用于小数据集且提高预测精度。
引用
@article{arxiv.2211.03563,
title = {Self-supervised Representations and Node Embedding Graph Neural Networks for Accurate and Multi-scale Analysis of Materials},
author = {Jian-Gang Kong and Ke-Lin Zhao and Jian Li and Qing-Xu Li and Yu Liu and Rui Zhang and Jia-Ji Zhu and Kai Chang},
journal= {arXiv preprint arXiv:2211.03563},
year = {2025}
}
备注
19 pages, 12 figures, 8 tables