Npj Comput. Mater.: 材料特性预测—原子线图神经网络

海归学者发起的公益学术平台

分享信息，整合资源

交流学术，偶尔风月

图神经网络 (GNN) 对模拟复杂系统具有巨大的潜力，它可以绕过需要高计算成本的薛定谔方程求解，更快地预测固体、分子和蛋白质等系统的性质。目前，基于GNN 架构，人们开发了一系列模型用于预测材料特性，如SchNet、CGCNN、MEGNet、iCGCNN、OrbNet等等。这些模型将分子或晶体材料表示为一个图形，每个组成原子都有一个节点，边缘对应于原子间键，使用元素特性作为节点特征，原子间距离和/或键价作为边缘特征，通过基于局部化学环境的多层图卷积更新节点特征，从而隐式地反映多体相互作用。然而，许多重要的材料特性(如带隙等电子结构特性) 对键角、局部几何变形等结构特征高度敏感，这些模型将无法有效地描述这些多体相互作用。

来自美国国家标准与技术研究院的Choudhary和DeCost，受线图神经网络启发，开发了一种包含角度信息的替代方法—原子线图神经网络模型(ALIGNN)。在该模型中，原子图的节点对应原子，边对应键，原子线图的节点对应原子间键，边缘对应键角。这样可以在这两个图上交替进行图卷积，通过原子间键表示可将键角信息传播到原子表示，反之亦然。这样极大提高了 GNN 对固体和分子的预测性能。作者使用 ALIGNN 模型，预测了 JARVIS-DFT、Materials project和 QM9 数据库中52 种固体和分子特性。与先前的 GNN 模型相比，ALIGNN模型不仅显著地提高了准确性，且可以迅速提高机器学习预测材料的性质和类别。 

该文近期发表于npj Computational Materials 7, 185 (2021)，英文标题与摘要如下，点击左下角“阅读原文”可以自由获取论文PDF。

Atomistic Line Graph Neural Network for improved materials property predictions

Kamal Choudhary & Brian DeCost 

Graph neural networks (GNN) have been shown to provide substantial performance improvements for atomistic material representation and modeling compared with descriptor-based machine learning models. While most existing GNN models for atomistic predictions are based on atomic distance information, they do not explicitly incorporate bond angles, which are critical for distinguishing many atomic structures. Furthermore, many material properties are known to be sensitive to slight changes in bond angles. We present an Atomistic Line Graph Neural Network (ALIGNN), a GNN architecture that performs message passing on both the interatomic bond graph and its line graph corresponding to bond angles. We demonstrate that angle information can be explicitly and efficiently included, leading to improved performance on multiple atomistic prediction tasks. We ALIGNN models for predicting 52 solid-state and molecular properties available in the JARVIS-DFT, Materials project, and QM9 databases. ALIGNN can outperform some previously reported GNN models on atomistic prediction tasks by up to 85% in accuracy with better or comparable model training speed.

扩展阅读

 npj: 自动化实验设计—新型贝叶斯优化
npj: 有物理头脑的贝叶斯网络—太阳能电池工艺的创新优化
npj：高光谱扫描探针显微成像—高斯过程建模npj: 扫描探针显微镜插上机器学习的翅膀——材料探幽更为便捷

本文系网易新闻·网易号“各有态度”特色内容

媒体转载联系授权请看下方