Accelerating Material Property Prediction using Generically Complete Isometry Invariants

要約

機械学習を使用した周期的な材料または結晶の特性予測は、古典的なシミュレーション手法に代わる計算効率の高い手法となるため、近年人気が高まっています。
これらのアルゴリズムのいずれにとっても重要な最初のステップは、周期結晶に使用される表現です。
分子やタンパク質などの同様の物体の原子の数は有限であり、それらの表現は有限の点群の解釈に基づいて構築できますが、周期的な結晶はサイズに制限がないため、表現がより困難になります。
現在の研究では、学習アルゴリズムの表現として、周期的な点セットに対する連続的で一般的に完全なアイソメトリ不変式である点ごとの距離分布 (PDD) を適応させます。
PDD は、ケンブリッジ構造データベース内のすべて (66 万を超える) 周期結晶を、原子タイプのない純粋に周期的な点のセットとして区別しました。
私たちは、空間エンコード法を介して PDD と組成情報を組み合わせる、修正されたセルフアテンション メカニズムを備えたトランス モデルを開発します。
このモデルは、マテリアルズ プロジェクトのクリスタルと Jarvis-DFT データベースでテストされ、トレーニング時間と予測時間の両方で数倍高速でありながら、最先端の方法と同等の精度を生み出すことが示されています。

要約(オリジナル)

Periodic material or crystal property prediction using machine learning has grown popular in recent years as it provides a computationally efficient replacement for classical simulation methods. A crucial first step for any of these algorithms is the representation used for a periodic crystal. While similar objects like molecules and proteins have a finite number of atoms and their representation can be built based upon a finite point cloud interpretation, periodic crystals are unbounded in size, making their representation more challenging. In the present work, we adapt the Pointwise Distance Distribution (PDD), a continuous and generically complete isometry invariant for periodic point sets, as a representation for our learning algorithm. The PDD distinguished all (more than 660 thousand) periodic crystals in the Cambridge Structural Database as purely periodic sets of points without atomic types. We develop a transformer model with a modified self-attention mechanism that combines PDD with compositional information via a spatial encoding method. This model is tested on the crystals of the Materials Project and Jarvis-DFT databases and shown to produce accuracy on par with state-of-the-art methods while being several times faster in both training and prediction time.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google