Equivariant Networks for Porous Crystalline Materials

要約

多孔質結晶材料は、分子貯蔵、ガス分離、炭素吸着のためのソリューションの開発において重要な役割を果たす可能性があります。
これらのソリューションを実現するには、特定の特性を備えた新しい材料を開発する必要があります。
このような多孔質材料の特性を推定するには、古典的な分子シミュレーションを使用した第一原理シミュレーションが必要です。
可能性のある材料の空間は広大であるため、これらの方法の計算の複雑さは、可能性のある材料のハイスループットスクリーニングの障壁となる可能性があります。
データ駆動型の手法、特にディープ ニューラル ネットワークに基づく機械学習手法は、これらの材料の挙動のシミュレーションを大幅にスケールする重要な機会を提供します。
ただし、これを効果的に達成するには、深層学習モデルは結晶内に存在する対称性を利用する必要があります。
結晶は、その空間群に存在する特定の対称性を示します。
結晶特性を予測するための既存の方法には、対称性の制約が厳しすぎるか、単位セル間の対称性のみが組み込まれています。
さらに、これらのモデルは結晶の多孔質構造を明示的にモデル化したものではありません。
この論文では、結晶の単位胞の対称性をその構造に組み込み、多孔質構造を明示的にモデル化するモデルを開発します。
モルデナイトおよび ZSM-5 ゼオライトのさまざまな構成に対する CO$_2$ の吸着熱を予測することでモデルを評価します。
我々の結果は、我々の方法が結晶特性予測に関して既存の方法よりも優れていること、および細孔を含めることによりより効率的なモデルが得られることを裏付けています。

要約(オリジナル)

Porous crystalline materials have the potential to play a key role in developing solutions for molecular storage, gas separation and carbon adsorption. For these solutions, we need to develop new materials with specific properties. Estimating the properties of such porous materials involves first principle simulation using classical molecular simulations. The computational complexity of these methods can be a barrier to high throughput screening of the potential materials as the space of possible materials is vast. Data-driven methods, specifically machine learning methods based on deep neural networks offer a significant opportunity to significantly scale the simulation of the behavior of these materials. However, to effectively achieve this the Deep Learning models need to utilize the symmetries present in the crystals. Crystals pose specific symmetries that are present in their space group. Existing methods for crystal property prediction either have symmetry constraints that are too restrictive or only incorporate symmetries between unit cells. In addition, these models do not explicitly model the porous structure of the crystal. In this paper, we develop a model which incorporates the symmetries of the unit cell of a crystal in its architecture and explicitly models the porous structure. We evaluate our model by predicting the heat of adsorption of CO$_2$ for different configurations of the Mordenite and ZSM-5 zeolites. Our results confirm that our method performs better than existing methods for crystal property prediction and that the inclusion of pores results in a more efficient model.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google