論文の概要: Leveraging Orbital Information and Atomic Feature in Deep Learning Model
- arxiv url: http://arxiv.org/abs/2211.11543v1
- Date: Sat, 29 Oct 2022 06:22:29 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-27 13:34:21.872545
- Title: Leveraging Orbital Information and Atomic Feature in Deep Learning Model
- Title(参考訳): 深層学習モデルにおける軌道情報と原子特性の活用
- Authors: Xiangrui Yang
- Abstract要約: 本稿では,原子記述子生成とグラフ表現学習という2つの部分からなる結晶表現学習フレームワーク,Orbital CrystalNet, OCrystalNetを提案する。
OCrystalNetの能力を実証するために、Material ProjectデータセットとJARVISデータセット上で、多くの予測タスクを実行しました。
その結果,我々のモデルは,他の最先端の美術モデルに対して様々な利点があることがわかった。
- 参考スコア(独自算出の注目度): 0.413365552362244
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Predicting material properties base on micro structure of materials has long
been a challenging problem. Recently many deep learning methods have been
developed for material property prediction. In this study, we propose a crystal
representation learning framework, Orbital CrystalNet, OCrystalNet, which
consists of two parts: atomic descriptor generation and graph representation
learning. In OCrystalNet, we first incorporate orbital field matrix (OFM) and
atomic features to construct OFM-feature atomic descriptor, and then the atomic
descriptor is used as atom embedding in the atom-bond message passing module
which takes advantage of the topological structure of crystal graphs to learn
crystal representation. To demonstrate the capabilities of OCrystalNet we
performed a number of prediction tasks on Material Project dataset and JARVIS
dataset and compared our model with other baselines and state of art methods.
To further present the effectiveness of OCrystalNet, we conducted ablation
study and case study of our model. The results show that our model have various
advantages over other state of art models.
- Abstract(参考訳): 材料のミクロ構造に基づく材料特性の予測は、長い間困難であった。
近年,材料特性予測のための深層学習法が数多く開発されている。
本研究では,原子記述子生成とグラフ表現学習という2つの部分からなる結晶表現学習フレームワーク,Orbital CrystalNet, OCrystalNetを提案する。
ocrystalnetでは、まずオービタルフィールドマトリックス(ofm)と原子の特徴を組み込んでofm-feature atomic descriptorを構築し、次にアトミックディスクリプタをアトム埋め込みとして、結晶グラフの位相構造を利用して結晶表現を学ぶ。
OCrystalNetの能力を実証するため、Material ProjectデータセットとJARVISデータセット上で多くの予測タスクを実行し、我々のモデルを他のベースラインやアート手法と比較した。
OCrystalNetの有効性をさらに明らかにするため,我々はアブレーション研究とモデルケーススタディを行った。
その結果,我々のモデルは,他の芸術モデルと比較して様々な利点があることがわかった。
関連論文リスト
- ADA-GNN: Atom-Distance-Angle Graph Neural Network for Crystal Material
Property Prediction [3.7050297294650716]
物性予測は結晶材料研究の基本的な課題である。
結合角と結合距離は結晶特性に大きな影響を与える2つの重要な構造情報である。
プロパティ予測タスクのための新しいAtom-Distance-Angle Graph Neural Network (ADA-GNN)を提案する。
論文 参考訳(メタデータ) (2024-01-22T09:03:16Z) - Spectroscopy-Guided Discovery of Three-Dimensional Structures of
Disordered Materials with Diffusion Models [6.97950396242977]
対象物から乱れた材料の3次元構造を予測するための拡散モデルに基づく新しいフレームワークを提案する。
我々のモデルは、特定のXANESスペクトルの原子配列を調整するための生成過程を制御できることを示します。
本研究は, 材料評価と原子構造決定のギャップを埋める上で, 重要な歩みを示している。
論文 参考訳(メタデータ) (2023-12-09T05:40:10Z) - Scalable Diffusion for Materials Generation [110.39595661627155]
我々は任意の結晶構造(ユニマット)を表現できる統一された結晶表現を開発する。
UniMatはより大型で複雑な化学系から高忠実度結晶構造を生成することができる。
材料の生成モデルを評価するための追加指標を提案する。
論文 参考訳(メタデータ) (2023-10-18T15:49:39Z) - Crystal-GFN: sampling crystals with desirable properties and constraints [103.79058968784163]
本稿では,結晶構造の生成モデルであるCrystal-GFNを紹介する。
本稿では,MatBenchで学習した新しいプロキシ機械学習モデルにより予測された結晶構造の原子1個あたりの生成エネルギーを目的として利用する。
その結果、Crystal-GFNは低(中間-3.1 eV/原子)で生成エネルギーが予測される非常に多様な結晶をサンプリングできることが示された。
論文 参考訳(メタデータ) (2023-10-07T21:36:55Z) - DeepCrysTet: A Deep Learning Approach Using Tetrahedral Mesh for
Predicting Properties of Crystalline Materials [0.0]
材料特性を予測するための新しい深層学習手法であるDeepCrysTetを提案する。
DeepCrysTetは、Delaunay四面体化によって生成される3次元四面体メッシュとして表される結晶構造を用いる。
実験により、DeepCrysTetは既存のGNNモデルよりも結晶構造の分類や弾性特性の予測における最先端性能に優れていた。
論文 参考訳(メタデータ) (2023-09-07T05:23:52Z) - CrysMMNet: Multimodal Representation for Crystal Property Prediction [22.576167897068956]
CrysMMNetは、構造的およびテキスト的表現を融合させ、結晶材料の共同マルチモーダル表現を生成する単純なマルチモーダルフレームワークである。
我々は、CrysMMNetが既存の最先端のベースラインメソッドよりも優れたマージンを持つことを示すために、10の異なるプロパティにわたる2つのベンチマークデータセットに関する広範な実験を行った。
論文 参考訳(メタデータ) (2023-06-09T11:16:01Z) - 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) - How to See Hidden Patterns in Metamaterials with Interpretable Machine
Learning [82.67551367327634]
我々は,材料単位セルのパターンを見つけるための,解釈可能な多分解能機械学習フレームワークを開発した。
具体的には、形状周波数特徴と単位セルテンプレートと呼ばれるメタマテリアルの2つの新しい解釈可能な表現を提案する。
論文 参考訳(メタデータ) (2021-11-10T21:19:02Z) - Orbital Graph Convolutional Neural Network for Material Property
Prediction [0.0]
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。
論文 参考訳(メタデータ) (2020-08-14T15:22:22Z) - 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)
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。