通过动态特征更新和波段-Denoised特征来提高晶体性质预测:一个新的深度学习模型

科学领域:

• 计算材料科学科学 计算材料科学
• 机器学习在材料科学中的应用
• 对于材料发现的深度学习

背景情况:

• 图形神经网络 (GNN) 对于材料表示是有效的,但与复杂的多体原子相互作用和预定义的描述符相斗争.
• 准确预测多元组件材料的各种物理和化学性质仍然是一个重大挑战.
• 现有的方法通常依赖于手工制作的对称性描述符,限制了它们的概括性和效率.

研究的目的:

• 引入一个新的深度学习框架,波形原子邻近网络 (WANN),用于准确的材料属性预测.
• 通过在没有预定义特征工程的情况下隐式捕捉多体原子相互作用来克服现有GNN的局限性.
• 为了使新出现的材料能够高效的高通量选.

主要方法:

• 开发了WANN,这是一种使用代子嵌入模块来更新原子特征并隐式捕获多体相互作用的新型框架.
• 集成了一个基于波纹的回归组件,用于多尺度特征分析.
• 消除了对预定义特征工程和手工制作的对称性描述符的需求.

主要成果:

• 沃恩在预测各种物理和化学性质方面表现出卓越的准确性,包括热力学,介电,压电,磁性和热电性质.
• 实现显著降低平均绝对误差 (MAE),表现优于Matformer (剪切模块61.64%) 和ALIGNN (剥皮能量90.84%).
• 该框架是可扩展的,需要最小的预处理.

结论:

• WANN为材料科学研究提供了一个强大而高效的深度学习工具包.
• 隐式捕获多体相互作用和多尺度特征分析有助于其高精度和广泛适用性.
• 这种方法有助于加速发现和选先进材料,如高合金和陶.