Jun, 2023

StrainNet：使用 SE（3）- 等变图神经网络预测晶体结构的弹性特性

PDF
TL;DR本文提出了一种基于数据驱动的方法，使用 SE (3) 等变图神经网络高效预测晶体结构的弹性性质，该方法能较准确地预测重要弹性模量和变形能密度以及相应的弹性常数，并提供可解释预测的有意义的潜在特征。
elastic propertiescrystalline solidsdata-driven approachgraph neural networksse(3) equivariant
发现论文，激发创造
  • 利用图神经网络预测岩石的有效弹性模量

    本研究提出了一种基于图神经网络（GNNs）的方法，从数字 CT 扫描图像中预测岩石的有效弹性模量。使用 Mapper 算法将 3D 数字岩石图像转换为图数据集，包含关键的几何信息。经过训练的这些图在预测弹性模量方面表现出良好的效果。与卷积神经网络（CNNs）进行比较分析后发现，GNNs 在预测未见过的岩石性质方面具有卓越的性能。此外，微结构的图表示明显降低了 GPU 内存的需求，从而在批量大小选择方面具有更大的灵活性。该研究展示了 GNN 模型在提高岩石性质预测准确性和加强数字岩石分析效率方面的潜力。

    Oct, 2023

  • 能量守恒的等变图神经网络用于格子构造一致性弹性材料

    通过图神经网络模型，基于骨杈格构造了高阶张量来预测周期性结构的刚度特征，并通过比较错误度量验证了等变性和能量守恒的优点，表明预测性能提高且训练需求减少。

    Jan, 2024

  • 一个以空间群对称性为基础的 O (3) 等变晶体张量预测网络

    我们提出了一种通用材料张量网络 (GMTNet) 方法，针对结晶张量的特性进行预测，旨在满足 O (3) 群的张量等变性和晶体空间群的不变性。我们通过构建数据集和评估指标，验证了 GMTNet 方法在各种不同阶数的晶体张量上的良好性能，并成功生成与晶体内部对称性一致的预测结果。

    Jun, 2024

  • 物理建模的 UNets 用于发现异质材料中隐藏的弹性特性

    本文提出了一种基于 UNet 的神经网络模型（El-UNet）用于推断机械参数和应力分布，相比于全连接物理信息神经网络，其精度更高且计算成本更低；并且提出了一种自适应空间权重的方法，用于求解三维反向弹性问题，有效性得到验证。

    Jun, 2023

  • 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

  • 欧几里得神经网络直接预测声子态密度

    本论文利用欧氏神经网络，输入仅为原子种类和位置，直接预测晶体固体中的声子态密度。通过该方法，可以高效地探索材料的声子结构，并能进一步快速筛选出高性能的热储存材料和声子介导超导体。

    Sep, 2020

  • 基于图神经网络的金属非晶体能垒预测与解读

    利用图神经网络模型原子图结构，并研究结构与相应的局部能垒之间的关系，以改善金属玻璃材料物理性质的预测，并应用图解释算法揭示金属玻璃材料的结构 - 性质关系。

    Dec, 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

  • 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

  • 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