高效材料发现的改进晶体图卷积神经网络框架

Jun, 2019

高效材料发现的改进晶体图卷积神经网络框架

Developing an improved Crystal Graph Convolutional Neural Network framework for accelerated materials discovery

Cheol Woo Park, Chris Wolverton

TL;DR本文中提出了一种改进的晶体图卷积神经网络（iCGCNN）来学习晶体结构的材料属性，该方法不仅采用 Voronoi 剖分晶体结构，还考虑了邻近组分原子的 3 体相互作用和晶体图中原子间化学键的优化表示。研究表明，iCGCNN 方法可以用于通过快速准确地识别具有所需性质的晶体化合物来加速高通量新材料发现，从而显著提高预测准确性和成功率。

Abstract

The recently proposed crystal graph convolutional neural network (CGCNN) offers a highly versatile and accurate machine learning (ML) framework by learning material properties directly from graph-like representations of crystal structures ("crystal graphs"). Here, we develop an improve

crystal graph convolutional neural network voronoi tessellation density functional theory thermodynamic stability high-throughput search

发现论文，激发创造

晶体图卷积神经网络用于材料性能的准确和可解释的预测

本论文提出利用晶体图卷积神经网络 (CGCNN) 可直接从晶体原子之间的联系学习材料物性，有效提高了晶体材料设计的效率，并能够提取局部化学环境对全局物性的贡献，为晶体材料的设计提供了经验规则。

Oct, 2017

晶体图神经网络在合金置换合金化中的应用

本文利用晶体图神经网络（CGNN）预测水晶的属性，通过对原子、结合和整体状态特征的编码，在 DFT 的级别上实现预测的正确性，从而在合金探索中找到有前途的路径。

Jun, 2023

MT-CGCNN: 将晶体图卷积神经网络与多任务学习相结合进行材料性能预测

本研究提出了一种新的模型（MT-CGCNN），通过将 CGCNN 与基于多任务学习的转移学习相结合，成功预测形成能量、带隙和费米能级等多材料性质，取得了较 CGCNN 更好的效果，结果鼓励进一步开发多任务学习的机器学习方法来解决新材料发现中的挑战。

Nov, 2018

使用深度生成神经网络高通量发现新的立方晶体材料

本研究用深度学习的生成对抗网络方法，提出了 CubicGAN 模型以大规模生成新的立方晶体结构，在 375,749 个三元晶体材料的训练数据下发现 506 种新材料，通过 DFT 验证后发现有远超同类材料的功能特性，这一方法将极大的拓展现有的材料库，实现新型功能材料的快速筛选。

Feb, 2021

DeepCrysTet：基于四面体网格的深度学习方法用于预测晶体材料的性质

通过三维四面体网格生成的晶体结构，提出了一种名为 DeepCrysTet 的新型深度学习方法，用于预测材料属性，该方法在分类晶体结构和预测弹性性质方面表现出色，优于现有的图神经网络模型。

Sep, 2023

材料科学优化晶体学图形生成

本研究提出了一种有效的工具，通过 GPU 优化，生成具有周期性结构的截断图和 k 近邻图，并提供了一个 Pytorch 兼容的框架，能够实时进行神经网络结构的培训。

Jun, 2023

混合量子图神经网络用于分子属性预测

利用数据驱动技术的材料设计过程中，我们开发了一种融合经典和量子计算的混合模型来预测钙钛矿材料的能量形成。该模型的性能与经典模型和其他机器学习算法相媲美，为探索量子特征编码和参数化量子电路在图神经网络等复杂机器学习算法中的巨大改进提供了一种新途径。

May, 2024

生成对抗网络在晶体结构预测中的应用

本文提出并应用了一种基于生成对抗网络的晶体结构生成模型，经过高通量虚拟筛选，成功预测出 23 个具有良好光稳定性和能隙的新型结晶体结构，并在化学空间中发现了未知的化学结构。

Apr, 2020

基于图卷积神经网络的材料空间分层可视化

结合高通量计算和机器学习开展的材料设计新范式的研究，开展了通过图卷积神经网络的不同层的表示学习在任意材料空间内分层可视化材料的组成和结构相似性的统一框架，为材料空间探索提供了新技术，该方法可以帮助过渡到自动化材料设计的数据中心探索。

Jul, 2018

CrystalGAN：利用生成对抗网络发现晶体结构

我们提出了一种名为 CrystalGAN 的新型 GAN，它能够生成具有升高域复杂度的新型化学稳定晶体结构，这种方法可以应用于发现新型化合物，特别是氢储存材料的研究中。

Oct, 2018