Connectivity Optimized Nested Graph Networks for Crystal Structures

要約

グラフ ニューラル ネットワーク (GNN) は、材料科学や化学のさまざまなアプリケーションに適用されています。
ここでは、結晶質 (周期的) 材料のグラフ構築を要約し、GNN モデルのパフォーマンスに対するその影響を調査します。
系のすべての対称性を利用して原子の数を減らすための表現として、非対称単位格子を提案します。
これにより、計算コストが大幅に削減され、精度を損なうことなく大規模なグラフ ニューラル ネットワークをトレーニングするのに必要な時間が大幅に削減されました。
さらに、メッセージ パッシングと折れ線グラフ テンプレートに基づいてシンプルだが体系的に構築された GNN アーキテクチャを使用して、幅広いタスクに適用できる一般的なアーキテクチャ (Nested Graph Network、NGN) を紹介します。
私たちが提案したモデルが、MatBench ベンチマーク内のすべてのタスクにわたって最先端の結果を体系的に改善することを示します。
さらなる分析により、最適化された接続とより深いメッセージ機能が改善の原因であることが示されています。
非対称単位セルと接続性の最適化は一般に (クリスタル) グラフ ネットワークに適用できますが、私たちが提案するネストされたグラフ フレームワークは、GNN アーキテクチャの体系的な比較の新しい方法を開きます。

要約(オリジナル)

Graph neural networks (GNNs) have been applied to a large variety of applications in materials science and chemistry. Here, we recapitulate the graph construction for crystalline (periodic) materials and investigate its impact on the GNNs model performance. We suggest the asymmetric unit cell as a representation to reduce the number of atoms by using all symmetries of the system. This substantially reduced the computational cost and thus time needed to train large graph neural networks without any loss in accuracy. Furthermore, with a simple but systematically built GNN architecture based on message passing and line graph templates, we introduce a general architecture (Nested Graph Network, NGN) that is applicable to a wide range of tasks. We show that our suggested models systematically improve state-of-the-art results across all tasks within the MatBench benchmark. Further analysis shows that optimized connectivity and deeper message functions are responsible for the improvement. Asymmetric unit cells and connectivity optimization can be generally applied to (crystal) graph networks, while our suggested nested graph framework will open new ways of systematic comparison of GNN architectures.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google