On the importance of catalyst-adsorbate 3D interactions for relaxed energy predictions

要約

材料特性の予測と発見のための機械学習の使用は、伝統的にすべての原子の幾何学的構成を組み込んだグラフ ニューラル ネットワークを中心にしてきました。
しかしながら、実際には、例えば触媒への潜在的に未知の吸着質の結合を評価する場合など、このすべての情報が容易に入手できるわけではない。
この論文では、電極触媒に対する吸着質の相対位置を無視して、OC20 データセット内のシステムの緩和エネルギーを予測できるかどうかを調査します。
SchNet、DimeNet++、FAENet を基本アーキテクチャとして考慮し、モデルのパフォーマンスに対する 4 つの変更の影響を測定します。入力グラフのエッジの削除、独立した表現のプール、バックボーンの重みの共有なし、および非幾何学的相対情報を伝播するためのアテンション メカニズムの使用です。
結合部位情報を削除すると期待どおりの精度が損なわれる一方で、修正されたモデルは非常に適切な MAE で緩和エネルギーを予測できることがわかりました。
私たちの研究は、反応物質の構成に関する情報を削減または完全に省略できる材料発見の加速における将来の研究の方向性を示唆しています。

要約(オリジナル)

The use of machine learning for material property prediction and discovery has traditionally centered on graph neural networks that incorporate the geometric configuration of all atoms. However, in practice not all this information may be readily available, e.g.~when evaluating the potentially unknown binding of adsorbates to catalyst. In this paper, we investigate whether it is possible to predict a system’s relaxed energy in the OC20 dataset while ignoring the relative position of the adsorbate with respect to the electro-catalyst. We consider SchNet, DimeNet++ and FAENet as base architectures and measure the impact of four modifications on model performance: removing edges in the input graph, pooling independent representations, not sharing the backbone weights and using an attention mechanism to propagate non-geometric relative information. We find that while removing binding site information impairs accuracy as expected, modified models are able to predict relaxed energies with remarkably decent MAE. Our work suggests future research directions in accelerated materials discovery where information on reactant configurations can be reduced or altogether omitted.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google