在图形神经网络方法中与定向静电学战略集成的几何指导用于纳米集群结构预测.
Sridatri Nandy1, K V Jovan Jose1
1Advanced Artificial Intelligence Theoretical and Computational Chemistry Laboratory, School of Chemistry, University of Hyderabad, Hyderabad 500046, Telangana, India.
The journal of physical chemistry. A
|June 13, 2025
概括
我们介绍了Geometric-DESIGNN,一个图形神经网络方法,结合几何和静电策略,以预测稳定的纳米集群配置. 这种高效的方法加快了发现具有特定对称性的新原子集群结构的速度.
科学领域:
- 计算化学和材料科学计算化学和材料科学
- 纳米技术和材料工程 材料工程
- 人工智能在科学发现中的作用
背景情况:
- 预测稳定的纳米集群配置对于材料科学至关重要.
- 现有的方法与大型原子集群和特定对称性作斗争.
- 图形神经网络为复杂的结构预测提供了一个强大的框架.
研究的目的:
- 开发一种有效的计算方法,用于预测稳定的纳米集群结构.
- 整合几何和电子策略,以提高预测准确度.
- 为了识别中等到大型纳米集群的新对称异构体.
主要方法:
- 介绍了几何设计方法,整合了几何指导和定向静电学策略.
- 使用图形神经网络框架来预测潜在能量表面上的纳米集群配置.
- 替换几何和设计的建筑策略,用于逐个的集群建设.
主要成果:
- 成功地预测了Mgn集群的稳定配置,最多为n<561.
- 通过限制点组对称性来识别Mgn群的新对称异构体 (n <150).
- 构建稳定的Mgn纳米集群用于特定的大尺寸 (n = 332,338,561).
结论:
- 几何设计是加速纳米集群结构预测的高效工具.
- 该方法有效地融合了几何和电子策略,用于准确的结构建模.
- 这种方法有助于发现具有所需对称性的新型原子集群结构.
