भौतिक संपत्ति भविष्यवाणी के लिए ऑर्बिटल ग्राफ आव्यूहात्मक तंत्रिका नेटवर्क

ऐसे भौतिक प्रतिनिधित्व जो मशीन लर्निंग मॉडलों के साथ संपूर्ण हैं, संपत्ति भविष्यवाणी के लिए उच्च सटीकता प्रदर्शित करने वाले मॉडलों के विकास में महत्वपूर्ण भूमिका निभाते हैं। परमाणु ऑर्बिटल अंतःक्रियाएँ क्रिस्टलीय सामग्रियों की विशेषताओं को नियंत्रित करने वाले महत्वपूर्ण कारकों में से एक हैं, जिनसे परमाणुओं के स्थानीय रासायनिक वातावरण का अनुमान लगाया जाता है। इसलिए, भौतिक संपत्तियों की भविष्यवाणी के लिए मजबूत मशीन लर्निंग मॉडल विकसित करने के लिए, ऐसे रासायनिक गुणों का प्रतिनिधित्व करने वाले विशेषताओं को शामिल करना अनिवार्य है। यहाँ, हम ऑर्बिटल ग्राफ आव्यूहात्मक तंत्रिका नेटवर्क (OGCNN) का प्रस्ताव करते हैं, जो एक क्रिस्टल ग्राफ आव्यूहात्मक तंत्रिका नेटवर्क ढांचा है जिसमें परमाणु ऑर्बिटल अंतःक्रिया विशेषताएँ शामिल हैं जो भौतिक गुणों को मजबूत तरीके से सीखती हैं। इसके अतिरिक्त, हमने OGCNN में एक एन्कोडर-डिकोडर नेटवर्क को एम्बेड किया है, जिससे यह मौलिक परमाणु (तत्त्व विशेषताओं), ऑर्बिटल-ऑर्बिटल अंतःक्रियाओं, और टोपोलॉजिकल विशेषताओं के बीच महत्वपूर्ण विशेषताओं को सीखने में सक्षम हो जाता है। हमने विभिन्न संपत्तियों की भविष्यवाणी करने के लिए इस मॉडल के प्रदर्शन का परीक्षण क्रिस्टलीय सामग्रियों के डेटा के व्यापक रेंज पर किया। हमने OGCNN मॉडल के प्रदर्शन की तुलना की: (1) क्रिस्टल ग्राफ आव्यूहात्मक तंत्रिका नेटवर्क, (2) भौतिक प्रतिनिधित्वों के लिए अन्य अत्याधुनिक वर्णनकर्ताओं सहित मल्टी-बॉडी टेन्सर प्रतिनिधित्व और परमाणु स्थितियों का स्मूथ ओवरलैप, और (3) अन्य पारंपरिक रिग्रेशन मशीन लर्निंग एल्गोरिदम जहाँ विभिन्न क्रिस्टल विशेषता विधियों का उपयोग किया गया है। हम पाते हैं कि OGCNN उनके मुकाबले काफी बेहतर प्रदर्शन करता है। OGCNN मॉडल उच्च भविष्यवाणी सटीकता के साथ नए सामग्रियों की खोज के लिए विशाल चरण और यौगिक स्थानों के बीच उपयोग किया जा सकता है।