Graph Transformer Networks for Accurate Band Structure Prediction: An End-to-End Approach

要約

結晶構造から電子バンド構造を予測することは、材料科学における構造と特性の相関を理解するために重要です。
第一原理アプローチは正確ですが、計算量が多くなります。
近年、機械学習 (ML) がこの分野に広く適用されていますが、既存の ML モデルは主にバンド ギャップ予測または予測ハミルトニアンを解くことによる間接的なバンド構造推定に焦点を当てています。
バンド構造を正確かつ効率的に予測するためのエンドツーエンドのモデルはまだ不足しています。
ここでは、結晶構造からバンド構造を高精度に直接予測する、Graph Transformer ベースのエンドツーエンドのアプローチを紹介します。
私たちの方法では、k パスの連続性を利用し、連続バンドをシーケンスとして扱います。
私たちのモデルが正確なバンド構造予測を提供するだけでなく、他の特性 (バンド ギャップ、バンド中心、バンド分散など) を高精度で導出できることを実証します。
大規模で多様なデータセットでモデルのパフォーマンスを検証します。

要約(オリジナル)

Predicting electronic band structures from crystal structures is crucial for understanding structure-property correlations in materials science. First-principles approaches are accurate but computationally intensive. Recent years, machine learning (ML) has been extensively applied to this field, while existing ML models predominantly focus on band gap predictions or indirect band structure estimation via solving predicted Hamiltonians. An end-to-end model to predict band structure accurately and efficiently is still lacking. Here, we introduce a graph Transformer-based end-to-end approach that directly predicts band structures from crystal structures with high accuracy. Our method leverages the continuity of the k-path and treat continuous bands as a sequence. We demonstrate that our model not only provides accurate band structure predictions but also can derive other properties (such as band gap, band center, and band dispersion) with high accuracy. We verify the model performance on large and diverse datasets.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google