.png){kind=icon}
返回
Modeling crystal defects using defect informed neural networks
.png){kind=icon}
OA
AI
DOI：10.1038/s41524-025-01728-w.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
目前，大多数面向材料的AI研究主要集中在理想晶体上，而实际材料中不可避免地含有缺陷，这些缺陷在现代功能技术中发挥着关键作用。缺陷会破坏几何对称性并增加相互作用复杂性，这对传统机器学习模型提出了特殊挑战。在此，我们介绍一种名为Defect-Informed Equivariant Graph Neural Network（DefiNet）的模型，该模型专门设计用于精确捕捉点缺陷结构中的缺陷相关相互作用和几何构型。DefiNet能够在毫秒级别内使用单张GPU实现接近DFT水平的结构预测。为验证其准确性，我们使用DefiNet预测的结构作为初始构型进行DFT弛豫，并测量剩余的离子步数。对于大多数缺陷结构，无论缺陷复杂度或系统尺寸如何，仅需3步离子步即可达到DFT水平的基态。最后，与扫描透射电子显微镜（STEM）图像的比较证实了DefiNet的可扩展性及其超越点缺陷的泛化能力，使其成为缺陷导向材料研究的宝贵工具。
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
11.9
论文数:
2.4K
被引数:
1.7W
机构
引用论文
E(3)-equivariant graph neural networks for data-efficient and accurate interatomic potentialsE(3)-等变图神经网络，用于数据高效和精确的原子间势.png)
NATURE COMMUNICATIONSOAAI
NATURE COMMUNICATIONSIF15.7
OAAI分享收藏SpookyNet: Learning force fields with electronic degrees of freedom and nonlocal effectsSpookyNet: 学习具有电子自由度和非局部效应的力场NATURE COMMUNICATIONSOAAI
NATURE COMMUNICATIONSIF15.7
OAAI分享收藏Crystal Graph Convolutional Neural Networks for an Accurate and Interpretable Prediction of Material Properties晶体图卷积神经网络用于准确和可解释的材料特性预测OAAI
OAAI分享收藏Atomistic Line Graph Neural Network for improved materials property predictions用于改进材料性能预测的原子线图神经网络OAAI
OAAI分享收藏Accurate piezoelectric tensor prediction with equivariant attention tensor graph neural network基于等变注意力张量图神经网络的精确压电张量预测
OAAI
OAAI分享收藏Defect graph neural networks for materials discovery in high-temperature clean-energy applicationsOAAI
OAAI分享收藏Deep-learning density functional theory Hamiltonian for efficient ab initio electronic-structure calculation用于有效从头算电子结构计算的深度学习密度泛函理论哈密顿量OAAI
OAAI分享收藏
查看更多内容