Los puntos clave no están disponibles para este artículo en este momento.
El enfoque de aprendizaje automático aplicado al descubrimiento de materiales es una dirección de investigación popular. El conocimiento de la química cuántica explica que la estructura de un material determina sus propiedades. Las redes neuronales de grafos (GNN) proporcionan una forma única de predecir las propiedades macroscópicas de moléculas y cristales en lugar de resolver la costosa ecuación de Schrödinger. Las redes neuronales de grafos pueden transformar abundantemente la información estructural de los materiales en características correspondientes, y muchos modelos basados en redes neuronales de grafos se han aplicado para predecir propiedades de materiales. Desarrollamos un nuevo modelo (DYCGNN) que contiene un módulo de actualización de nodos para nuestra composición de red de atención de grafos de bordes diseñada. A través de la aplicación del módulo edge-gatv2, este módulo puede aprender de manera efectiva la relación compleja entre nodos y nodos vecinos en el cristal. Basado en los coeficientes de peso calculados de cada nodo vecino, la representación del nodo se actualiza de manera más efectiva. Además, fusionamos la información de posición de los nodos en los autovectores de los nodos para complementar la información espacial del cristal y enriquecer la representación completa del cristal. Al investigar el modelo DYCGNN, encontramos que nuestro enfoque puede superar las predicciones de modelos anteriores y proporcionar ideas sobre la cristalización de materiales.
Li et al. (Mon,) estudiaron esta cuestión.