PSCG-Net:用于加速材料发现的多尺度晶体图神经网络
Guangyao Chen1,2, Zhilong Wang1,2, Fengqi You1,2,3
1AI for Science Institute (CUAISci), Cornell University, Ithaca, New York 14853, United States.
Journal of chemical information and modeling
|September 29, 2025
概括
一个新的对可扩展的晶体图神经网络 (PSCG-Net) 准确地模拟了材料中的远程原子相互作用. 这推动了新材料的发现,用于能源和电子应用.
科学领域:
- 材料科学 材料科学 材料科学
- 计算化学的计算化学
- 人工智能的人工智能
背景情况:
- 准确预测材料属性对于技术进步至关重要.
- 传统的图形神经网络 (GNN) 由于固定的切断半径,在晶体材料中难以进行远程交互.
- 这种限制阻碍了对能源,电子和可持续技术的新材料的发现.
研究的目的:
- 引入一种新的机器学习框架,即对可扩展的晶体图神经网络 (PSCG-Net),旨在克服传统GNN的局限性.
- 通过结合多尺度结构表示来提高材料性质的准确预测.
- 为了加速设计和发现高性能材料.
主要方法:
- 开发PSCG-Net,一个图形神经网络,包含灵感来自对分布函数的多尺度结构表示.
- 使用带有各种切断距离的图表来捕捉短距离和远距离的原子相互作用.
- 在超过15万个晶体结构上测试PSCG-Net,用于形成能量预测和带隙分析.
主要成果:
- 在形成能量预测中,PSCG-Net实现了0.065 eV的平均绝对误差,超过了基线水晶图卷积神经网络.
- 在六个不同的数据集中保持一致的性能,并通过第一原则计算对带隙预测进行验证.
- 在选光伏,电介质和超导体的高性能材料中表现出实用的实用性.
结论:
- PSCG-Net准确地捕捉了层次的原子相互作用,大大提高了材料科学中的预测准确性.
- 该框架加速了新材料的设计和发现.
- PSCG-Net提供了一种适用于跨科学学科的多层面挑战的多功能方法,为技术创新铺平了道路.


