图神经网络是否适用于高熵合金?
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
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
利用机器学习技术预测高熵合金的相和晶体结构,采用相关系数选择高预测准确度的特征,并使用五种不同的提升算法提供了改进相和晶体结构预测精确度的指南。其中,XGBoost对相的预测准确度达到94.05%,LightGBM对晶体结构的预测准确度达到90.07%,并对模型准确度受参数影响的量化及单个参数在相和晶体结构预测过程中的贡献提出了新方法。
Sep, 2023
开发出一个名为TextEdge的基准数据集,包含了关于晶体结构及其性质的文本描述,并提出了一种名为LLM-Prop的方法,利用大型语言模型(LLMs)的通用学习能力,从晶体的文本描述中预测其物理和电子性质,并在预测带隙、分类带隙是否为直接或间接和预测晶胞体积方面的性能优于现有最先进的基于GNN的晶体性质预测模型。
Oct, 2023
现实世界材料研究中,机器学习模型通常被期望能够预测和发现与已知材料不同的新颖材料。本研究在物性预测模型性能评估中提供了客观评价,在超出训练集分布的材料中预测模型的性能。通过在三个基准数据集上对基于结构的图神经网络的广泛实验,我们发现当前最先进的图神经网络算法在超出分布的物性预测任务上与基线模型相比表现明显不足,展示了在现实材料预测任务中关键的泛化差距。我们进一步研究了这些图神经网络模型的潜在物理空间,并鉴定出CGCNN、ALIGNN和DeeperGATGNN相对于MatBench研究中目前最佳模型(coGN和coNGN)在超出分布的任务上更为稳健的性能,并提供了改进性能的见解。
Jan, 2024
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
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
这篇论文通过对三维原子系统的几何图神经网络的实证研究,重点研究了不同的规范化方法、图形创建策略和辅助任务对性能、可伸缩性和对称性实施的影响,以指导研究人员选择最佳的分子建模组件。
Jul, 2024
本研究针对现有晶体性质预测方法对手工特征表示的依赖问题,提出了一个名为CrysAtom的无监督框架,利用未标记的晶体数据生成原子的稠密向量表示。这一新方法显著提升了基于图神经网络的性质预测模型的性能,展现了对化学性质的有效嵌入能力。
Sep, 2024
本研究解决了多组分材料的化学(无)序列导致的属性预测困难问题,提出了一种对称等变模型架构,以增强图卷积神经网络对原子排序的敏感性。研究发现,对称等变架构能够有效区分相同材料的不同晶体对称性,从而提高材料设计的精确性和可靠性。
Sep, 2024