일반적으로 완전한 등거리 불변량을 사용한 재료 특성 예측 가속화

요약 최근 몇 년 동안 기계 학습을 이용한 주기적 물질 또는 결정 특성 예측이 고전적인 시뮬레이션 방법의 계산 효율적인 대체를 제공하면서 인기를 끌고 있습니다. 이러한 알고리즘의 중요한 첫 번째 단계는 주기적 결정에 사용되는 표현 방식입니다. 분자와 단백질과 같은 유사한 객체는 유한한 수의 원자를 가지며 그 표현은 유한한 포인트 클라우드 해석을 기반으로 구축될 수 있지만, 주기적 결정은 크기가 무한하여 그 표현 방식이 더 어려워집니다. 본 연구에서는 주기적 포인트 세트를 위한 연속적이고 일반적으로 완전한 등거리 불변량인 점 간 거리 분포(Pointwise Distance Distribution, PDD)를 학습 알고리즘의 표현으로 채택합니다. PDD는 케임브리지 구조 데이터베이스의 모든(66만 개 이상) 주기적 결정을 원자 유형 없이 순수한 주기적 포인트 세트로 구별합니다. 우리는 공간 인코딩 방법을 통해 PDD와 구성 정보를 결합하는 수정된 자기 주의 메커니즘을 갖춘 변환기 모델을 개발합니다. 이 모델은 Materials Project 및 Jarvis-DFT 데이터베이스의 결정에서 테스트되었으며 최신 방법과 동등한 정확도를 생성하는 동시에 학습 및 예측 시간에서 여러 배 더 빠른 것으로 나타났습니다.