Jan, 2024

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

PDF
TL;DR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。
发现论文，激发创造
  • 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

  • 使用 GNN 特性预测器作为分子生成器

    利用可逆神经网络直接生成具有期望电子性质的分子结构，该方法不需要对分子结构进行额外训练，通过严格的图构建规则确保化合价规则，将该方法应用于生成具有特定能隙和分配系数（logP）的分子，并在生成更多样化分子的同时，以与最先进的生成模型相媲美甚至更好的速率实现目标性质。

    Jun, 2024

  • 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

  • 多视图图神经网络用于分子性质预测

    使用多视图神经网络和交叉依赖的消息传递机制，以预测分子性质为目的，构建了一种能够同时利用节点（原子）和边（化学键）信息的表达力强的模型，并在多个基准测试中表现出优异性能。

    May, 2020

  • 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

  • MolNet: 预测分子属性的化学直觉图神经网络

    该研究提出了一种基于 MolNet 的图神经网络（GNN）模型来获取三维分子的物理化学特性及其非化学键信息，同时该模型在 BACE 和 ESOL 数据集的分类和回归任务上皆表现出良好的性能。

    Feb, 2022

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

    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。

    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

  • 以图形网络为分子和晶体的通用机器学习框架

    研究者们提出了一种新的机器学习方法 Graph Networks，开发了通用的 MEGNet 模型，成功地预测了分子和晶体的物性，并提出了两个解决材料科学和化学数据局限性的新策略。

    Dec, 2018

  • 利用轨道信息与原子特征的深度学习模型

    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。

    Oct, 2022