伦敦玛丽女王大学Adv. Sci.: 用于表示域独立材料发现的公式图自注意网络

机器学习（ML）在材料属性预测中的成功在很大程度上取决于如何表示材料以进行学习。目前存在两种主要的材料描述符，一种在表示中编码晶体结构，另一种仅使用化学计量信息。其中，图神经网络（GNN）尤其擅长在化学精度范围内预测材料特性。然而，由于各自的材料表示之间几乎没有重叠，当前的GNN仅限于上述两种途径中的一种。

在此，英国伦敦玛丽女王大学郝阳教授等人引入了公式图的新概念，它统一了仅化学计量和基于结构的材料描述符。进一步，作者开发了一种吸收公式图的自注意力集成GNN并将其命名为Finder（Formula graph self-attention network for materials discovery），从而实现了单独使用公式或通过单独晶体结构计算来预测材料特性。Finder是一种消息传递GNN，它在Transformer架构中采用了一种自注意力机制的变体。

研究表明，在Materials Project（MP）中管理的各种基准数据库上，Finder可以超越一些最先进的纯化学计量模型（如Roost）并可与MEGNet和CGCNN等晶体图模型竞争。与这项工作中重新审视的其他模型相比，Finder模型显示出更快的收敛速度并在探索的所有训练集大小下实现了更低的误差。

图1. Finder模型学习效率评估和t -SNE/PCA 可视化

作为一个具有挑战性的应用，作者研究了Finder在预测来自JARVIS DFT存储库材料的频率相关介电常数方面的能力。随后，作者确定了具有从近红外（NIR）到紫外线（UV）区域的工作频率范围内有前途的介电常数趋近于零（ENZ）材料。结果表明，含有钒氧阴离子的化合物是一种令人兴奋的低损耗 ENZ候选材料。ENZ材料表现出奇异的特性，如促进谐波产生的非线性电光现象、波混合、超快光开关和相位可调超表面设计。

尽管训练数据库的规模有限，但Finder模型可在不使用晶体结构的情况下准确预测材料的介电功能，使其成为任何给定规模的强大材料发现平台。总之，诸如Finder之类的领域不变框架结合了NLP和计算机视觉等其他学科的方法论，开创了材料科学真正的跨学科研究途径。

图2. 从MP数据库中发现ENZ材料

Formula Graph Self-Attention Network for Representation-Domain Independent Materials Discovery, Advanced Science 2022. DOI: 10.1002/advs.202200164

原创文章，作者：v-suan，如若转载，请注明来源华算科技，注明出处：https://www.v-suan.com/index.php/2023/10/13/4dbf1a8f5c/

伦敦玛丽女王大学Adv. Sci.: 用于表示域独立材料发现的公式图自注意网络

相关推荐