StrainTensorNet：使用 SE(3) 等变图神经网络预测晶体结构弹性性质
无序系统与神经网络
2023-11-13 v2 材料科学
机器学习
计算物理
摘要
准确预测结晶固体的弹性性质对计算材料科学至关重要。然而，传统的原子尺度第一性原理方法计算密集，尤其在研究单元胞内原子数众多的复杂材料时。我们引入一种新颖的数据驱动方法，利用 SE(3)-等变图神经网络（GNNs）高效预测晶体结构的弹性性质。该方法以与近期数据驱动研究相当的精度给出重要的标量弹性模量。重要的是，我们这种对称感知的 GNNs 模型还能够预测应变能密度（SED）及相关的弹性常数——受材料晶体学群显著影响的基张量量。模型依据晶体结构的对称性一致地区分 SED 张量的独立元。最后，我们的深度学习模型具备有意义的潜特征，提供对弹性性质的可解释预测。
引用
@article{arxiv.2306.12818,
title = {StrainTensorNet: Predicting crystal structure elastic properties using SE(3)-equivariant graph neural networks},
author = {Teerachote Pakornchote and Annop Ektarawong and Thiparat Chotibut},
journal= {arXiv preprint arXiv:2306.12818},
year = {2023}
}
备注
24 pages, 15 figures. Accepted for publication in Physical Review Research, with the model being renamed to StrainTensorNet