Equivariant Parameter Sharing for Porous Crystalline Materials

要約

第一原理モデルを使用して実行されるシミュレーションは多くの場合、計算コストがかかるため、多孔質結晶材料の特性を効率的に予測することは、新材料開発のハイスループットスクリーニングプロセスを加速する大きな可能性を秘めています。
深層学習手法を効果的に利用してこれらの材料をモデル化するには、結晶内に存在する空間群によって定義される対称性を利用する必要があります。
結晶特性を予測するための既存の方法には、対称性の制約が厳しすぎるか、単位セル間の対称性のみが組み込まれています。
さらに、これらのモデルは結晶の多孔質構造を明示的にモデル化したものではありません。
この論文では、結晶の単位胞の対称性をその構造に組み込み、多孔質構造を明示的にモデル化するモデルを開発します。
モルデナイトゼオライトのさまざまな構成に対する CO$_2$ の吸着熱を予測することでモデルを評価します。
我々の結果は、我々の方法が結晶特性予測に関して既存の方法よりも優れていること、および細孔を含めることによりより効率的なモデルが得られることを裏付けています。

要約(オリジナル)

Efficiently predicting properties of porous crystalline materials has great potential to accelerate the high throughput screening process for developing new materials, as simulations carried out using first principles model are often computationally expensive. To effectively make use of Deep Learning methods to model these materials, we need to utilize the symmetries present in the crystals, which are defined by their space group. Existing methods for crystal property prediction either have symmetry constraints that are too restrictive or only incorporate symmetries between unit cells. In addition, these models do not explicitly model the porous structure of the crystal. In this paper, we develop a model which incorporates the symmetries of the unit cell of a crystal in its architecture and explicitly models the porous structure. We evaluate our model by predicting the heat of adsorption of CO$_2$ for different configurations of the mordenite zeolite. Our results confirm that our method performs better than existing methods for crystal property prediction and that the inclusion of pores results in a more efficient model.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google