Sep, 2023
优化架构的消息传递神经网络用于带隙回归
Band-gap regression with architecture-optimized message-passing neural networks
Tim Bechtel, Daniel T. Speckhard, Jonathan Godwin, Claudia Draxl
TL;DR通过基于图的神经网络（Graph-based neural networks）和消息传递神经网络（message-passing neural networks，MPNNs），我们训练了一个 MPNN，首先使用 AFLOW 数据库中的密度泛函理论数据对材料进行分类，区分金属和半导体 / 绝缘体。然后，我们进行了神经架构搜索，探索 MPNN 的模型架构和超参数空间，以预测非金属材料的能带间隙。通过搜索的最佳模型组成了一个集合，其性能明显优于现有文献中的模型。利用蒙特卡洛 Dropout 和集成方法对不确定性进行了评估，其中集成方法表现出更好的结果。我们还分析了集成模型的适用领域，比如晶体系统、密度泛函计算中是否包含 Hubbard 参数以及构成材料的原子种类。