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

要約

機械学習における最近の進歩は、ディープラーニングアプローチ、特にグラフニューラルネットワーク（GNN）が材料科学において非常に有用であることを示している。これらの手法は、材料特性のハイスループット予測のための強力なツールとして登場し、従来の第一原理計算に代わる説得力のある強化策を提供している。この分野では、予測精度を向上させるために、より複雑で普遍的なモデルを開発することに重点が置かれているが、このようなアプローチは、物理的な解釈可能性や材料挙動に関する洞察に欠けることが多い。ここでは、GNNの予測能力と記号的回帰の解釈力を相乗的に組み合わせた新しい計算パラダイム、自己適応型グラフアテンションネットワークと記号的回帰の統合（SA-GAT-SR）を紹介する。我々のフレームワークは、O(n)の計算スケーリングを維持しながら、180次元の特徴空間から重要な特徴を選別するように、注意の重みを自動的に識別し調整する自己適応可能な符号化アルゴリズムを採用している。その後、統合されたSRモジュールは、これらの特徴をコンパクトな解析式に抽出し、量子力学的に意味のある関係を明示的に明らかにすることで、入力として第一原理計算由来の特徴に大きく依存する従来のSR実装と比較して、23倍の高速化を達成した。この研究は、予測精度と物理的解釈可能性のギャップを埋め、材料挙動に対する貴重な物理的洞察を提供する、計算材料科学の新しい枠組みを示唆している。

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, DeepL