利用持久同质特征,通过图形神经网络准确地预测缺陷形成能量
1Department of Physics, Northeastern University, Boston, Massachusetts 02115, United States.
概括
持久的同类特征增强了缺陷研究的机器学习模型. 这种拓方法提高了材料特性和缺陷相互作用的预测准确性,加速了材料发现.
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:
- 准确预测缺陷特性对于材料科学至关重要.
- 目前的图形神经网络 (GNN) 模型面临局部原子配置和过度平滑的局限性.
- 缺陷意识潜伏表示对于高通量缺陷研究至关重要.
研究的目的:
- 引入持久的同类特征来表征缺陷结构.
- 提高机器学习模型在预测缺陷属性的准确性和稳定性.
- 在各种 GNN 架构中证明这些功能在各种 GNN 架构中的普遍适用性和有效性.
主要方法:
- 将持久的同质性特征纳入GNN模型.
- 使用图形聚合操作来增强结构特征.
- 对基于O的矿的数据集进行测试,有缺陷的BaTiO3与替代品,以及空缺.
主要成果:
- 预测准确度显著提高,平均绝对误差 (MAE) 减少了55%.
- 在最先进的GNN模型 (如图形变压器和等价神经网络) 中实现全方位性能改进.
- 克服与超级细胞大小相关的融合问题,并准确预测缺陷-缺陷相互作用.
结论:
- 持久的同质性特征有效地捕获局部化学环境的拓信息.
- 这些功能增强了机器学习模型在缺陷研究中的性能.
- 这种方法加速了技术应用的功能缺陷的发现.


