.png){kind=icon}
返回
Robust Lightweight Graph Neural Network Framework for Accelerating Crystal Structure Prediction
.png){kind=icon}
PRE
AI
DOI：10.1021/acs.jcim.4c01689.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本研究提出了一种晶体结构预测框架，该框架采用基于无导数优化方法的构型搜索，并使用监督图神经网络（GNN）模型作为能量评估器。我们针对现有基于GNN的晶体结构预测（CSP）框架的局限性，提出了设计稳健且计算高效的预测器的方法。具体而言，我们首先强调了在晶体结构预测中常被忽视的GNN模型对权重初始化的敏感性，为解决这一问题，我们引入了一个模型选择框架，该框架能够持续识别适用于下游晶体结构预测任务的适当GNN模型。利用此框架，我们采用贝叶斯优化方法，对涉及多种GNN架构的CSP进行了有意义的比较。此外，我们提出了一种数据增强策略，在监督训练过程中纳入未弛豫结构，并进一步探讨了有无增强的预训练对晶体结构预测的影响。最后，我们证明，我们提出的晶体结构预测框架结合轻量级GNN架构CGCNN，能够达到与更复杂的GNN架构相当的性能水平，而这些复杂架构通常在训练和推理时计算成本高昂。本研究中引入的方法具有通用性，可扩展至任何基于GNN的晶体结构预测框架，为未来开发新颖、高通量的晶体结构预测器铺平了道路。
Keyword:
crystal structure prediction
Graph Neural Network
derivative-free optimization
model selection
data augmentation
期刊
IF:
5.3
论文数:
9.1K
被引数:
4.0W
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 COMMUNICATIONS
OAAI
NATURE COMMUNICATIONSIF15.7
OAAI分享收藏Machine learning assisted prediction of the Young's modulus of compositionally complex alloysSCIENTIFIC REPORTSOAAI
SCIENTIFIC REPORTSIF3.9
OAAI分享收藏分享收藏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Accelerating materials discovery with Bayesian optimization and graph deep learning通过贝叶斯优化和图深度学习加速材料发现OAAI
OAAI分享收藏
查看更多内容