재료 특성 예측을 위한 궤도 그래프 합성곱 신경망

기계 학습 모델과 호환되는 재료 표현은 특성 예측의 높은 정확성을 갖는 모델을 개발하는 데 중요한 역할을 합니다. 원자 궤도 상호작용은 원자의 지역 화학 환경을 유추할 수 있는 결정 재료의 특성을 지배하는 중요한 요소 중 하나입니다. 따라서 재료 특성 예측을 위한 견고한 기계 학습 모델을 개발하기 위해서는 이러한 화학 속성을 나타내는 특징을 포함하는 것이 필수적입니다. 여기에서는 원자 궤도 상호작용 특징을 포함하는 결정 그래프 합성곱 신경망 프레임워크인 궤도 그래프 합성곱 신경망(OGCNN)을 제안합니다. 또한, OGCNN에 인코더-디코더 네트워크를 통합하여 기본 원자(원소 특징), 궤도-궤도 상호작용 및 위상 특징 사이의 중요한 특징을 학습할 수 있도록 하였습니다. 우리는 다양한 특성을 예측하기 위해 광범위한 결정 재료 데이터에서 이 모델의 성능을 검사했습니다. 우리는 OGCNN 모델의 성능을 (1) 결정 그래프 합성곱 신경망, (2) 다체 텐서 표현 및 원자 위치의 매끄러운 중첩을 포함한 다른 최첨단 재료 표현 기술, (3) 다양한 결정 특징화 방법이 사용된 다른 전통적인 회귀 기계 학습 알고리즘과 비교하여 벤치마킹했습니다. OGCNN이 이들보다 훨씬 월등한 성능을 보이는 것을 확인했습니다. 높은 예측 정확성을 가진 OGCNN 모델은 방대한 재료의 상과 화합물 공간에서 새로운 재료를 발견하는 데 사용될 수 있습니다.