npj Comput. Mater.:通过混合Transformer图神经网络加速材料性能预测

学术   2025-01-22 14:37   中国台湾  

通讯作者:Yongwoo ShinAnna Tarakanova

通讯单位:University of Connecticut(康涅狄格大学),Samsung Semiconductor Inc(三星半导体公司)

内容简介

机器学习促进了无机材料性能的快速预测,但特定性能的数据稀缺性和捕获热力学稳定性仍然具有挑战性。作者提出了一个框架,该框架利用基于成分和基于晶体结构的架构的图神经网络,并结合迁移学习方案这种方法可以准确预测与能量相关的性质(例如总能、凸包能、带隙)和数据稀缺的力学性能(例如体积和剪切模量)。作者的模型结合了四体相互作用,捕捉了周期性和结构特征。它在 8 个材料性能回归任务中的表现优于最先进的模型。此外,该模型比几种模型更好地预测了局域原子环境和全局结构特征。迁移学习解决了力学性能数据稀缺的问题,而单独的架构分析允许应用于缺乏晶体结构信息的材料。该框架的可解释性有助于理解元素贡献,增强材料设计和发现。

npj Comput. Mater. 2025, 11, 15

DOI10.1038/s41524-024-01472-7

链接:https://doi.org/10.1038/s41524-024-01472-7

Codehttps://github.com/mahan-fcb/CrysCo

学术之友
\x26quot;学术之友\x26quot;旨在建立一个综合的学术交流平台。主要内容包括:分享科研资讯,总结学术干货,发布科研招聘等。让我们携起手来共同学习,一起进步!
 最新文章