論文の概要: Orbital Graph Convolutional Neural Network for Material Property
Prediction
- arxiv url: http://arxiv.org/abs/2008.06415v1
- Date: Fri, 14 Aug 2020 15:22:22 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-30 18:01:27.451998
- Title: Orbital Graph Convolutional Neural Network for Material Property
Prediction
- Title（参考訳）: 物質特性予測のための軌道グラフ畳み込みニューラルネットワーク
- Authors: Mohammadreza Karamad, Rishikesh Magar, Yuting Shi, Samira Siahrostami,
Ian D. Gates and Amir Barati Farimani
- Abstract要約: 本稿では,結晶グラフ畳み込みニューラルネットワークフレームワークであるOrbital Graph Convolutional Neural Network (OGCNN)を提案する。
OGCNNには、材料特性を堅牢な方法で学習する原子軌道相互作用機能が含まれている。
本研究では, このモデルの性能について, 様々な特性を予測するために, 広範囲の結晶材料データを用いて検討した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Material representations that are compatible with machine learning models
play a key role in developing models that exhibit high accuracy for property
prediction. Atomic orbital interactions are one of the important factors that
govern the properties of crystalline materials, from which the local chemical
environments of atoms is inferred. Therefore, to develop robust machine
learningmodels for material properties prediction, it is imperative to include
features representing such chemical attributes. Here, we propose the Orbital
Graph Convolutional Neural Network (OGCNN), a crystal graph convolutional
neural network framework that includes atomic orbital interaction features that
learns material properties in a robust way. In addition, we embedded an
encoder-decoder network into the OGCNN enabling it to learn important features
among basic atomic (elemental features), orbital-orbital interactions, and
topological features. We examined the performance of this model on a broad
range of crystalline material data to predict different properties. We
benchmarked the performance of the OGCNN model with that of: 1) the crystal
graph convolutional neural network (CGCNN), 2) other state-of-the-art
descriptors for material representations including Many-body Tensor
Representation (MBTR) and the Smooth Overlap of Atomic Positions (SOAP), and 3)
other conventional regression machine learning algorithms where different
crystal featurization methods have been used. We find that OGCNN significantly
outperforms them. The OGCNN model with high predictive accuracy can be used to
discover new materials among the immense phase and compound spaces of materials
- Abstract（参考訳）: 機械学習モデルと互換性のある材料表現は、特性予測に高い精度を示すモデルを開発する上で重要な役割を果たす。
原子軌道相互作用は、原子の局所的な化学環境が推測される結晶物質の特性を制御する重要な要素の1つである。
したがって、材料特性予測のための頑健な機械学習モデルを開発するには、このような化学特性を表す特徴を含むことが不可欠である。
本稿では,原子間相互作用機能を備えた結晶グラフ畳み込みニューラルネットワークフレームワークであるOrbital Graph Convolutional Neural Network (OGCNN)を提案する。
さらに,OGCNNにエンコーダ・デコーダネットワークを組み込んで,基本原子(元素的特徴),軌道-軌道相互作用,トポロジ的特徴などの重要な特徴を学習できるようにした。
本モデルの性能を幅広い結晶材料データを用いて検討し, 異なる特性を予測した。
我々はOGCNNモデルのパフォーマンスを次のようにベンチマークした。
1) 結晶グラフ畳み込みニューラルネットワーク(cgcnn)
2)多体テンソル表現(MBTR)や原子位置の平滑なオーバーラップ(SOAP)などの材料表現に関する他の最先端記述子
3) 従来の回帰機械学習アルゴリズムでは, 異なる結晶加工法が用いられている。
OGCNNはそれらを著しく上回っている。
予測精度の高いOGCNNモデルは、材料の巨大相と複合空間の間の新しい材料を発見するために使用できる
関連論文リスト
- CrysAtom: Distributed Representation of Atoms for Crystal Property Prediction [0.0]
物質科学の文献では、結晶性物質がトポロジカルな構造を示すことはよく知られている。
本稿では,原子の密度ベクトル表現を生成するために,無相関結晶データを用いた教師なしフレームワーク,CrysAtomを提案する。
論文 参考訳（メタデータ） (2024-09-07T06:58:55Z) - Atomic and Subgraph-aware Bilateral Aggregation for Molecular
Representation Learning [57.670845619155195]
我々は、原子とサブグラフを意識したバイラテラルアグリゲーション(ASBA)と呼ばれる分子表現学習の新しいモデルを導入する。
ASBAは、両方の種類の情報を統合することで、以前の原子単位とサブグラフ単位のモデルの限界に対処する。
本手法は,分子特性予測のための表現をより包括的に学習する方法を提供する。
論文 参考訳（メタデータ） (2023-05-22T00:56:00Z) - Transferability of coVariance Neural Networks and Application to
Interpretable Brain Age Prediction using Anatomical Features [119.45320143101381]
グラフ畳み込みネットワーク(GCN)は、トポロジー駆動のグラフ畳み込み演算を利用して、推論タスクのためにグラフをまたいだ情報を結合する。
我々は、共分散行列をグラフとして、共分散ニューラルネットワーク(VNN)の形でGCNを研究した。
VNNは、GCNからスケールフリーなデータ処理アーキテクチャを継承し、ここでは、共分散行列が極限オブジェクトに収束するデータセットに対して、VNNが性能の転送可能性を示すことを示す。
論文 参考訳（メタデータ） (2023-05-02T22:15:54Z) - Molecular Geometry-aware Transformer for accurate 3D Atomic System
modeling [51.83761266429285]
本稿では,ノード(原子)とエッジ(結合と非結合の原子対)を入力とし,それらの相互作用をモデル化するトランスフォーマーアーキテクチャを提案する。
MoleformerはOC20の緩和エネルギー予測の初期状態の最先端を実現し、QM9では量子化学特性の予測に非常に競争力がある。
論文 参考訳（メタデータ） (2023-02-02T03:49:57Z) - Graph neural networks for the prediction of molecular structure-property
relationships [59.11160990637615]
グラフニューラルネットワーク(GNN)は、分子グラフ上で直接動作する新しい機械学習手法である。
GNNは、エンドツーエンドでプロパティを学習できるため、情報記述子の必要性を回避することができる。
本稿では、分子特性予測のための2つの例を通して、GNNの基礎を説明し、GNNの応用を実証する。
論文 参考訳（メタデータ） (2022-07-25T11:30:44Z) - Formula graph self-attention network for representation-domain
independent materials discovery [3.67735033631952]
本稿では,理論のみと構造に基づく材料記述子の両方を統一する公式グラフの新たな概念を提案する。
本稿では,式グラフに類似した自己注意統合GNNを開発し,提案アーキテクチャが2つの領域間で伝達可能な材料埋め込みを生成することを示す。
我々のモデルは、構造に依存しない従来のGNNよりも大幅に優れています。
論文 参考訳（メタデータ） (2022-01-14T19:49:45Z) - Predicting Material Properties Using a 3D Graph Neural Network with
Invariant Local Descriptors [0.4956709222278243]
材料特性を正確に予測することは新しい材料の発見と設計に不可欠である。
機械学習の手法の中で、グラフ畳み込みニューラルネットワーク(GCNN)が最も成功したものの一つである。
隣接原子間の相互作用を3次元空間で同時にモデル化する,新規な畳み込みを持つ適応型GCNNを提案する。
論文 参考訳（メタデータ） (2021-02-16T19:56:54Z) - Graph Neural Network for Hamiltonian-Based Material Property Prediction [56.94118357003096]
無機材料のバンドギャップを予測できるいくつかの異なるグラフ畳み込みネットワークを提示し、比較する。
モデルは、それぞれの軌道自体の情報と相互の相互作用の2つの異なる特徴を組み込むように開発されている。
その結果,クロスバリデーションにより予測精度が期待できることがわかった。
論文 参考訳（メタデータ） (2020-05-27T13:32:10Z) - Multi-View Graph Neural Networks for Molecular Property Prediction [67.54644592806876]
マルチビューグラフニューラルネットワーク(MV-GNN)を提案する。
MV-GNNでは,学習過程を安定させるために,自己注意型読み出しコンポーネントと不一致損失を導入する。
我々は、相互依存型メッセージパッシング方式を提案することにより、MV-GNNの表現力をさらに強化する。
論文 参考訳（メタデータ） (2020-05-17T04:46:07Z) - Global Attention based Graph Convolutional Neural Networks for Improved
Materials Property Prediction [8.371766047183739]
我々は,グラフニューラルネットワークに基づく無機材料特性の予測モデルであるGATGNNを開発した。
提案手法は, 従来のモデルの予測よりも優れており, 材料の結晶化に関する知見を提供することができる。
論文 参考訳（メタデータ） (2020-03-11T07:43:14Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。