XANE(3): 一种用于从原子结构精确预测XANES谱的E(3)等变图神经网络
机器学习
2026-04-15 v1 材料科学
化学物理
摘要
我们提出了XANE(3)，一种基于物理的E(3)等变图神经网络，用于直接从原子结构预测X射线吸收近边结构(XANES)谱。该模型结合了张量积消息传递与球谐边特征、吸收体查询注意力池化、自定义等变层归一化、自适应门控残差连接，以及基于多尺度高斯基函数并带有可选S形背景项的谱读出。为了提高线形保真度，训练采用了一个复合目标函数，该函数包括逐点谱重建以及一阶和二阶导数匹配项。我们在一个包含5,941个氧化铁表面小面FDMNES模拟的数据集上评估了该模型，在测试集上获得了的谱均方误差。该模型准确地再现了主边结构、相对峰强度、前边特征和后边振荡。消融研究表明，导数感知目标函数、自定义等变归一化、吸收体条件注意力池化、自适应门控残差混合以及全局背景项均能提升性能。有趣的是，一个容量匹配的仅标量变体实现了可比的逐点重建误差，但导数级保真度降低，这表明在该数据集上，显式张量通道对于低强度误差并非严格必需，尽管它们对于捕捉更精细的谱结构仍然有益。这些结果确立了XANE(3)作为XANES模拟的准确且高效的替代方法，并为加速谱预测、机器学习辅助光谱学以及数据驱动的材料发现提供了一条有前景的途径。
引用
@article{arxiv.2604.12140,
title = {XANE(3): An E(3)-Equivariant Graph Neural Network for Accurate Prediction of XANES Spectra from Atomic Structures},
author = {Vitor F. Grizzi and Luke N. Pretzie and Jiayi Xu and Cong Liu},
journal= {arXiv preprint arXiv:2604.12140},
year = {2026}
}