利用轨道信息与原子特征的深度学习模型

Oct, 2022

利用轨道信息与原子特征的深度学习模型

Leveraging Orbital Information and Atomic Feature in Deep Learning Model

Xiangrui Yang

TL;DR利用晶体表示学习框架 Orbital CrystalNet 预测材料性质，该框架包括原子描述符生成和图形表示学习两个部分，证明了该模型的有效性。

Abstract

Predicting material properties base on micro structure of materials has long been a challenging problem. Recently many deep learning methods have been developed for material property prediction. In this study, we

material properties deep learning orbital crystalnet atomic descriptor crystal representation

发现论文，激发创造

利用对称自适应原子轨道特征的深度学习进行量子化学

介绍了一种机器学习方法，该方法使用对称自适应原子轨道特征和图形神经网络体系结构预测薛定谔方程的能量解。OrbNet 在应用于药物类分子数据集中，能够以远低于 DFT 计算成本的方式在化学精度内预测能量。

Jul, 2020

CrysMMNet: 晶体属性预测的多模态表示

本研究提出了一种多模态框架，该框架将结构数据和文本描述结合起来进行分析，以更好地对材料进行建模并预测其性质。

Jun, 2023

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

水晶材料属性预测的晶体特定预训练框架

提出了一种针对晶体结构学习具有自我监督的预训练框架，通过互斥掩码策略和周期不变多图模块来解决晶体结构学习中标签不足和周期不变问题，并在 8 个不同的任务上进行了测试，结果表明该框架具有良好的预测性能。

Jun, 2023

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

AlphaCrystal-II：基于距离矩阵的晶体结构预测与深度学习

AlphaCrystal-II 利用已知的晶体结构中丰富的原子间相互作用模式，预测目标晶体材料的原子距离矩阵，并利用该矩阵重构其三维晶体结构，通过全面的实验验证，展示了数据驱动方法在加速新材料的发现和设计中的潜力。

Apr, 2024

用单个深度学习模型预测晶体的多个性质

本研究介绍了一种基于 Transformer 的适应性框架 CrystalBERT，该框架整合了空间群、元素和晶胞信息，能够准确预测各种物理重要性质，包括拓扑性质和超导过渡温度等，同时提供具有洞察力的对目标物性影响最显著的特征的物理解释。通过结合各种特征，模型在拓扑分类中实现了 91% 的高准确率，超过以往研究，并识别了先前被错误分类的拓扑材料，进一步证明了我们模型的有效性。

May, 2024

矢量场导向的晶体材料生成扩散模型

我们提出一种基于几何等变的 GNN 的概率扩散模型，可以同时考虑原子位置和晶格，以发现具有特定化学性质的晶体结构，并通过新的生成度量方法评估模型的有效性。

Dec, 2023

ADA-GNN：基于原子距离和角度的晶体材料性能预测的图神经网络

基于双尺度邻域划分机制的晶体结构建模和基于原子 - 距离 - 角度图神经网络（ADA-GNN）的属性预测任务处理方法，通过分别处理节点信息和结构信息，提高了预测准确性和推理时间。在两个大规模材料基准数据集上，我们的方法取得了最先进的属性预测结果。

Jan, 2024

基于深度学习的晶体结构洞见性分类

本研究提出了一种基于机器学习的方法，通过计算衍射图像并构建神经网络模型进行分类，可正确识别包括有缺陷的结构在内的超过 100,000 个模拟晶体结构的晶体对称性，为材料科学中的三维结构数据的晶体结构识别铺平了道路。

Sep, 2017