Apr, 2024

催化剂探索中的轻量级几何深度学习

PDF
TL;DR新技术对于大规模采用风能和太阳能等可再生能源是必要的。发现适合的催化剂对于使能量储存更具成本效益和可扩展性至关重要。这项研究旨在评估使用更轻量级方法在这一任务中获得的性能和洞察力，以鼓励来自不同背景的个人的参与。通过实施稳健的设计模式，如几何和对称的信息传递，我们能够训练一个 GNN 模型，在仅使用一小部分可训练参数的情况下，达到了 0.0748 的平均绝对误差，与 SchNet 和 DimeNet++ 等已建立的模型架构相媲美。
energy storagecatalyst discoverygraph neural networkslightweight approachesper-atom forces
发现论文，激发创造
  • Open Catalyst 2020（OC20）数据集与社区挑战

    本论文介绍了使用机器学习方法和密度泛函理论来发现和优化催化剂并提供一个开放资源数据集 OC20

    Oct, 2020

  • 催化剂 - 吸附剂三维相互作用对放松能量预测的重要性

    研究了使用机器学习预测和发现材料性质的方法，重点放在图神经网络上，并探讨了在忽略相对位置信息的情况下预测系统松弛能量的可行性，结果显示修改后的模型能够相对准确地预测系统的松弛能量。该研究为加速材料发现提供了未来的研究方向。

    Oct, 2023

  • 催化蒸馏神经网络用于少量催化剂开放挑战

    本文介绍了 2023 年的 Few-Shot Open Catalyst Challenge，通过 MLP-Like 技术和 Catalysis Distillation Graph Neural Network (CDGNN) 框架来解决催化过程的数据集问题。结果表明，CDGNN 在氢氧化物电催化反应途径的最先进和高效的确定方面优于目前的图神经网络方法达 16.1%。因此，CDGNN 提供了催化学中少量数据学习的有希望的方法。

    May, 2023

  • 针对原子模拟的十亿参数图神经网络训练

    本文提出的图并行算法可在多个 GPU 上分布输入图，从而实现训练数十亿个参数的大型 GNN， 该方法在大规模开放铂族催化剂的数据集上取得了新的最先进结果。

    Mar, 2022

  • 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

  • GemNet: 面向分子的通用定向图神经网络

    本研究介绍了一种新型的 Geometric Message Passing Neural Network（GemNet）结构，采用了定向边嵌入和双跳消息传递，展现出图神经网络在预测分子动力学方面的强大效果和广阔前景。

    Jun, 2021

  • 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

  • 使用 GNN 和核均值嵌入的原子模拟转移学习

    本文提出了一种使用图神经网络和核平均嵌入的迁移学习方法，能够通过特征图来学习催化过程的系统特异性数据，以及通过一个灵活的核函数来融合化学物种信息，能够有效地提高性能和可解释性，同时具有出色的推广和传递性能。

    Jun, 2023

  • 基于多准则贝叶斯优化与表示学习的自适应催化剂发现

    通过高通量计算催化剂筛选方法，在高维度催化剂结构中实现自动化表征学习并具备原则性不确定性量化，探索二氧化碳还原反应的催化剂发现，实现了高预测准确性、可解释的特征提取以及多准则设计优化，大幅降低计算资源和时间成本（需要的密度泛函理论计算减少 10 倍）来进行高性能催化剂的发现。

    Apr, 2024

  • 知识蒸馏加速分子图神经网络

    本文探讨了使用知识蒸馏加速分子图神经网络的实用性，研究结果显示可以无需改变体系结构就能提高预测准确性达到近 60%。

    Jun, 2023