A Crystal-Specific Pre-Training Framework for Crystal Material Property Prediction

要約

結晶特性の予測は、新しい材料の開発において重要な側面です。
しかし、結晶の研究を迅速化するためには、対処すべき技術的な課題が 2 つあります。
まず、物理シミュレーションや実験室での実験には高いコストと時間がかかるため、結晶の特性をラベル付けすることは本質的に困難です。
第 2 に、結晶は周期的不変性として知られる特定の量子化学原理に準拠していますが、これは既存の機械学習手法では捉えられないことがよくあります。
これらの課題を克服するために、自己監視付きで結晶表現を学習するための結晶固有の事前トレーニング フレームワークを提案します。
このフレームワークは、結晶特性の予測に使用できる限定されたラベルを軽減するために、表現学習を強化するためのミューテックス マスク戦略を設計します。
さらに、フレームワーク内で周期不変マルチグラフモジュールと周期属性学習を開発することで、結晶構造の特定の周期不変を考慮します。
このフレームワークは 8 つの異なるタスクでテストされています。
これらのタスクに関する実験結果は、このフレームワークが有望な予測パフォーマンスを実現し、最近の強力なベースラインを上回るパフォーマンスを発揮できることを示しています。

要約(オリジナル)

Crystal property prediction is a crucial aspect of developing novel materials. However, there are two technical challenges to be addressed for speeding up the investigation of crystals. First, labeling crystal properties is intrinsically difficult due to the high cost and time involved in physical simulations or lab experiments. Second, crystals adhere to a specific quantum chemical principle known as periodic invariance, which is often not captured by existing machine learning methods. To overcome these challenges, we propose the crystal-specific pre-training framework for learning crystal representations with self-supervision. The framework designs a mutex mask strategy for enhancing representation learning so as to alleviate the limited labels available for crystal property prediction. Moreover, we take into account the specific periodic invariance in crystal structures by developing a periodic invariance multi-graph module and periodic attribute learning within our framework. This framework has been tested on eight different tasks. The experimental results on these tasks show that the framework achieves promising prediction performance and is able to outperform recent strong baselines.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google