基于注意力的可解释的多尺度图形神经网络用于MOFs
Lujun Li1,2,3, Haibin Yu2,3, Zhuo Wang2
1Department of Automation, University of Science and Technology of China, Hefei 230026, China.
Journal of chemical theory and computation
|January 22, 2025
概括
本研究介绍了一种多尺度晶体图法和MSAIGNN深度学习模型,用于预测金属有机框架 (MOF) 的特性. 该方法通过考虑各种规模的特征并减少冗余的相互作用来提高准确性.
科学领域:
- 材料科学 材料科学 材料科学
- 计算化学计算化学
- 机器学习 机器学习
背景情况:
- 金属有机框架 (MOF) 对气体分离和储存具有前景.
- 图形神经网络 (GNN) 对MOF结构属性预测非常有用.
- 晶体图需要处理周期性和多尺度特征,与分子图不同.
研究的目的:
- 开发一种用于构建MOF多尺度晶体图的新方法.
- 提出一个先进的GNN (MSAIGNN),结合多层次结构信息和注意力机制.
- 提高MOF属性预测的深度学习模型的准确性和可解释性.
主要方法:
- 根据原子间相互作用距离,将晶体图分解为子图.
- 编码单元细胞周期性以捕捉全球晶体结构.
- 开发了MSAIGNN,结合了三体结合角度和自我注意力图集.
主要成果:
- 与传统方法相比,MSAIGNN在单元吸附和气体分离方面取得了更高的预测准确度.
- 该模型有效地学习和利用不同尺度的结构特征,正如注意力得分可视化所证实的那样.
- 拟议的方法通过将冗余的原子间相互作用的干扰最小化,证明了减少过.
结论:
- 多尺度晶体图结构和MSAIGNN为MOF属性预测提供了一种高效,多层和可解释的深度学习方法.
- 这种方法解决了水晶结构和原子间相互作用的复杂性在各种尺度.
- MSAIGNN为设计和发现新的MOF提供了计算材料科学的重大进步.
