基于物理信息的图神经网络表示学习方法在晶体性质预测中的应用

《npj Computational Materials》：Physics-informed graph neural network representation learning for crystal property prediction

　　

摘要

准确预测晶体性质对于加速材料发现至关重要。晶体性质是由多种物理化学属性的综合效应决定的。现有方法难以充分利用对性质预测至关重要的属性，这限制了模型的表现能力。系统地将相关属性纳入晶体图中，以便与图神经网络进行联合建模，同时避免冗余并保持模型的通用性，仍然是一个挑战。我们提出了AtomNet，这是一个用于晶体表示学习和性质预测的多边图神经网络框架。AtomNet通过从选定的物理化学属性创建原子描述符来初始化节点，并通过电负性差异增强边特征，从而生成表达能力强的晶体图表示。集成梯度用于评估属性对性质预测的贡献。采用距离衰减权重函数来优先考虑核心节点而非远距离邻居。在两个标准基准测试中的实验表明，AtomNet的性能更为优越，验证了我们提出的方法在加速新材料发现方面的有效性。