CPGN: Una GNN Multiscala per la Previsione delle Proprietà dei Cristalli
È stata proposta una nuova rete neurale grafica (GNN) chiamata Coordination Polyhedron Graph Network (CPGN) per prevedere le proprietà dei cristalli. A differenza dei modelli esistenti come CGCNN, MEGNet, ALIGNN e SchNet, che apprendono principalmente rappresentazioni a livello atomico, CPGN apprende congiuntamente rappresentazioni atomiche, di legame e di poliedro di coordinazione. Costruisce tre grafi accoppiati: un grafo atomico per informazioni elementari e di legame, un grafo lineare per interazioni angolari e un grafo di poliedro di coordinazione per ambienti locali derivati da Voronoi. Questo approccio multiscala affronta la limitazione che molte proprietà dei materiali sono governate dai poliedri di coordinazione. Il lavoro è pubblicato su arXiv con ID 2607.24818.
Fatti principali
- CPGN è una GNN multiscala per la previsione delle proprietà dei cristalli.
- Apprende congiuntamente rappresentazioni atomiche, di legame e di poliedro di coordinazione.
- Tre grafi accoppiati: grafo atomico, grafo lineare, grafo di poliedro di coordinazione.
- Il grafo di poliedro di coordinazione utilizza ambienti locali derivati da Voronoi.
- Le GNN esistenti come CGCNN, MEGNet, ALIGNN, SchNet sono principalmente a livello atomico.
- Molte proprietà dei materiali sono governate dai poliedri di coordinazione.
- Pubblicato su arXiv con ID 2607.24818.
- Affronta la limitazione dell'apprendimento implicito degli ambienti chimici locali.
Entità
Istituzioni
- arXiv