SA-GAT-SR: Self-Adaptable Graph Attention Networks with Symbolic Regression for high-fidelity material property prediction

要約

機械学習の最近の進歩により、深い学習アプローチ、特に材料科学のグラフニューラルネットワーク（GNNS）の膨大なユーティリティが実証されています。
これらの方法は、材料特性のハイスループット予測の強力なツールとして浮上しており、従来の第一原理計算に代わる魅力的な強化と代替を提供しています。
コミュニティは主に、ますます複雑で普遍的なモデルを開発して予測精度を高めることに焦点を当てていますが、そのようなアプローチには、物理​​的な解釈性と材料行動に対する洞察が欠けていることがよくあります。
ここでは、Symbolic Regression（SA-GAT-SR）と統合された新しい計算パラダイム、自己適応不可能なグラフ注意ネットワークを紹介します。
私たちのフレームワークは、O（n）計算スケーリングを維持しながら、広大な180次元機能空間から重要な機能をスクリーニングするように、注意の重みを自動的に識別および調整する自己適応可能なエンコードアルゴリズムを採用しています。
統合されたSRモジュールは、その後、これらの機能を、量子力学的に意味のある関係を明示的に明らかにするコンパクトな分析式に蒸留し、最初の原則計算由来の機能に入力として大きく依存する従来のSR実装と比較して23倍の加速を達成します。
この作業は、計算材料科学の新しいフレームワークを示唆しており、予測精度と物理的解釈性のギャップを埋め、物質的な行動に関する貴重な物理的洞察を提供します。

要約(オリジナル)

Recent advances in machine learning have demonstrated an enormous utility of deep learning approaches, particularly Graph Neural Networks (GNNs) for materials science. These methods have emerged as powerful tools for high-throughput prediction of material properties, offering a compelling enhancement and alternative to traditional first-principles calculations. While the community has predominantly focused on developing increasingly complex and universal models to enhance predictive accuracy, such approaches often lack physical interpretability and insights into materials behavior. Here, we introduce a novel computational paradigm, Self-Adaptable Graph Attention Networks integrated with Symbolic Regression (SA-GAT-SR), that synergistically combines the predictive capability of GNNs with the interpretative power of symbolic regression. Our framework employs a self-adaptable encoding algorithm that automatically identifies and adjust attention weights so as to screen critical features from an expansive 180-dimensional feature space while maintaining O(n) computational scaling. The integrated SR module subsequently distills these features into compact analytical expressions that explicitly reveal quantum-mechanically meaningful relationships, achieving 23 times acceleration compared to conventional SR implementations that heavily rely on first principle calculations-derived features as input. This work suggests a new framework in computational materials science, bridging the gap between predictive accuracy and physical interpretability, offering valuable physical insights into material behavior.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google