用于全声子预测的虚拟节点图神经网络

结构-性质关系在材料科学中居于核心地位。理解固态材料中的结构-性质关系对于设计具有优化性质的结构至关重要。过去几年，在关联晶体材料结构与性质方面取得显著进展，例如机器学习方法，尤其是作为晶体结构自然表示的图神经网络。然而，重大挑战依然存在，包括以复杂晶胞为输入预测性质，以及材料依赖、变长输出。本文提出虚拟节点图神经网络以应对这些挑战。通过开发三类虚拟节点方法——向量、矩阵与动量依赖矩阵虚拟节点，我们仅以原子坐标为输入即实现$\Gamma$-声子谱与全色散的直接预测。我们在多种合金体系上验证声子能带结构，并进一步构建包含Materials Project中逾146,000种材料的$\Gamma$-声子数据库。我们的工作为复杂材料中声子谱与能带结构的快速高质量预测提供途径，并赋能具有优越声子性质的能源应用材料设计。图神经网络的虚拟节点增强也为以全新灵活性设计其他功能性质带来启示。