Material Property Prediction using Graphs based on Generically Complete Isometry Invariants

要約

構造特性仮説では、すべての材料の特性は基礎となる結晶構造によって決定されると言われています。
主な障害は、不完全または不連続な記述子に基づく従来の結晶表現のあいまいさであり、偽陰性または偽陽性が発生する可能性がありました。
このあいまいさは、実際の材料の世界最大のコレクション (Cambridge Structural Database) 内のすべての周期構造を区別する超高速点単位距離分布 (PDD) によって解決されました。
特性予測における最先端の結果は、結晶単位胞内のすべての原子を頂点とするクリスタル グラフなど、周期結晶のさまざまなグラフ表現に基づくグラフ ニューラル ネットワークによって以前に達成されていました。
この研究では、点ごとの距離分布を、頂点セットが結晶構造の非対称単位以下であるより単純なグラフに適合させます。
新しい分布グラフは、クリスタル グラフと比較して頂点数が 44\%-88\% ありながら、平均絶対誤差を 0.6\%-12\% 削減します。これを使用してマテリアル プロジェクトと Jarvis-DFT データセットに適用すると、
CGCNN と ALIGNN。
グラフのハイパーパラメータ選択の方法は、点ごとの距離分布の理論的結果によって裏付けられており、実験的に正当化されています。

要約(オリジナル)

The structure-property hypothesis says that the properties of all materials are determined by an underlying crystal structure. The main obstacle was the ambiguity of conventional crystal representations based on incomplete or discontinuous descriptors that allow false negatives or false positives. This ambiguity was resolved by the ultra-fast Pointwise Distance Distribution (PDD), which distinguished all periodic structures in the world’s largest collection of real materials (Cambridge Structural Database). The state-of-the-art results in property predictions were previously achieved by graph neural networks based on various graph representations of periodic crystals, including the Crystal Graph with vertices at all atoms in a crystal unit cell. This work adapts the Pointwise Distance Distribution for a simpler graph whose vertex set is not larger than the asymmetric unit of a crystal structure. The new Distribution Graph reduces mean-absolute-error by 0.6\%-12\% while having 44\%-88\% of the number of vertices when compared to the crystal graph when applied on the Materials Project and Jarvis-DFT datasets using CGCNN and ALIGNN. Methods for hyper-parameters selection for the graph are backed by the theoretical results of the Pointwise Distance Distribution and are then experimentally justified.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google