論文の概要: Predicting and Interpreting Energy Barriers of Metallic Glasses with
Graph Neural Networks
- arxiv url: http://arxiv.org/abs/2401.08627v1
- Date: Fri, 8 Dec 2023 04:27:11 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-22 09:50:03.135006
- Title: Predicting and Interpreting Energy Barriers of Metallic Glasses with
Graph Neural Networks
- Title(参考訳): グラフニューラルネットワークを用いた金属ガラスのエネルギー障壁の予測と解釈
- Authors: Haoyu Li, Shichang Zhang, Longwen Tang, Mathieu Bauchy, Yizhou Sun
- Abstract要約: グラフニューラルネットワーク(GNN)を用いて、原子グラフ構造をモデル化し、その構造と対応する局所エネルギー障壁との間の接続を研究する。
我々の重要な貢献の一つは、エネルギー障壁を予測するための新しいSymmetrized GNN(SymGNN)モデルを提案することである。
我々はSymGNNが他のGNNや非グラフ機械学習モデルよりもエネルギー障壁予測を大幅に改善できることを実験で実証した。
- 参考スコア(独自算出の注目度): 43.26868436093931
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Metallic Glasses (MGs) are widely used disordered materials. Understanding
the relationship between the local structure and physical properties of MGs is
one of the greatest challenges for both material science and condensed matter
physics. In this work, we utilize Graph Neural Networks (GNNs) to model the
atomic graph structure and study the connection between the structure and the
corresponding local energy barrier, which is believed to govern many critical
physical properties in MGs. One of our key contributions is to propose a novel
Symmetrized GNN (SymGNN) model for predicting the energy barriers, which is
invariant under orthogonal transformations of the structure, e.g., rotations
and reflections. Such invariance is a desired property that standard GNNs like
Graph Convolutional Networks cannot capture. SymGNNs handle the invariance by
aggregating over orthogonal transformations of the graph structure for
representation learning, and an optimal distribution over all 3D orthogonal
transformations $\mathcal{O}_3$ is learned to maximize the benefit of
invariance. We demonstrate in our experiments that SymGNN can significantly
improve the energy barrier prediction over other GNNs and non-graph machine
learning models. With such an accurate model, we also apply graph explanation
algorithms to better reveal the structure-property relationship of MGs. Our GNN
framework allows effective prediction of material physical properties and
bolsters material science research through the use of AI models.
- Abstract(参考訳): 金属ガラス(mgs)は広く用いられる無秩序な材料である。
MGsの局所構造と物性の関係を理解することは、物質科学と凝縮物質物理学の両方にとって最大の課題の1つである。
本研究では, グラフニューラルネットワーク(gnns)を用いて, 原子グラフ構造をモデル化し, 構造とそれに対応する局所エネルギー障壁との関係について検討した。
我々の重要な貢献の一つは、エネルギー障壁を予測するための新しい対称性付きGNN(SymGNN)モデルを提案することである。
このような不変性は、Graph Convolutional Networksのような標準GNNがキャプチャできない、望ましい特性である。
symgnns は表現学習のためのグラフ構造の直交変換を集約することで不変性を処理し、3次元直交変換のすべての最適分布 $\mathcal{o}_3$ は不変性の利点を最大化するために学習される。
我々はSymGNNが他のGNNや非グラフ機械学習モデルよりもエネルギー障壁予測を大幅に改善できることを示した。
このような正確なモデルを用いて,mgsの構造とプロパティの関係を明らかにするために,グラフ説明アルゴリズムを適用する。
我々のGNNフレームワークは,物質物性を効果的に予測し,AIモデルを用いて物質科学研究を促進する。
関連論文リスト
- Energy-conserving equivariant GNN for elasticity of lattice architected
metamaterials [2.6128355075580645]
本稿では,周期的ストラット格子の剛性を予測するために,高次グラフニューラルネットワークモデルを提案する。
モデルの主な特徴は (i) SE(3) の等式と (ii) エネルギーの保存の熱力学則との整合性である。
論文 参考訳(メタデータ) (2024-01-30T11:25:49Z) - Global Minima, Recoverability Thresholds, and Higher-Order Structure in
GNNS [0.0]
ランダムグラフ理論の観点から,グラフニューラルネットワーク(GNN)アーキテクチャの性能を解析する。
合成データにおける特定の高次構造と実データにおける経験的構造の混合が、GNNの性能に劇的な影響を及ぼすことを示す。
論文 参考訳(メタデータ) (2023-10-11T17:16:33Z) - Connectivity Optimized Nested Graph Networks for Crystal Structures [1.1470070927586016]
グラフニューラルネットワーク(GNN)は、材料科学や化学における様々な応用に応用されている。
提案したモデルでは,MateBenchベンチマークのすべてのタスクにおいて,最新の結果が体系的に改善されることが示されている。
論文 参考訳(メタデータ) (2023-02-27T19:26:48Z) - Learnable Filters for Geometric Scattering Modules [64.03877398967282]
最近提案された幾何散乱変換の緩和に基づく新しいグラフニューラルネットワーク(GNN)モジュールを提案する。
我々の学習可能な幾何散乱(LEGS)モジュールは、ウェーブレットの適応的なチューニングを可能にし、学習された表現に帯域通過の特徴が現れるように促す。
論文 参考訳(メタデータ) (2022-08-15T22:30:07Z) - Simple and Efficient Heterogeneous Graph Neural Network [55.56564522532328]
不均一グラフニューラルネットワーク(HGNN)は、不均一グラフの豊富な構造的および意味的な情報をノード表現に埋め込む強力な能力を持つ。
既存のHGNNは、同種グラフ上のグラフニューラルネットワーク(GNN)から多くのメカニズム、特に注意機構と多層構造を継承する。
本稿では,これらのメカニズムを詳細に検討し,簡便かつ効率的なヘテロジニアスグラフニューラルネットワーク(SeHGNN)を提案する。
論文 参考訳(メタデータ) (2022-07-06T10:01:46Z) - EvenNet: Ignoring Odd-Hop Neighbors Improves Robustness of Graph Neural
Networks [51.42338058718487]
グラフニューラルネットワーク(GNN)は、グラフ機械学習における有望なパフォーマンスについて、広範な研究の注目を集めている。
GCNやGPRGNNのような既存のアプローチは、テストグラフ上のホモフィリな変化に直面しても堅牢ではない。
偶数多項式グラフフィルタに対応するスペクトルGNNであるEvenNetを提案する。
論文 参考訳(メタデータ) (2022-05-27T10:48:14Z) - MGNN: Graph Neural Networks Inspired by Distance Geometry Problem [28.789684784093048]
グラフニューラルネットワーク(GNN)は、機械学習分野における顕著な研究トピックとして現れている。
本稿では,GNNの分類段階における分類器の親近性に着想を得たGNNモデルを提案する。
合成および実世界の両方のデータセットを用いて実験を行い,本モデルの有効性を広範囲に評価した。
論文 参考訳(メタデータ) (2022-01-31T04:15:42Z) - Image-Like Graph Representations for Improved Molecular Property
Prediction [7.119677737397071]
本稿では,CubeMol と呼ばれる GNN の必要性を完全に回避する,新しい固有分子表現法を提案する。
我々の定次元表現は、トランスモデルと組み合わせると、最先端のGNNモデルの性能を超え、拡張性を提供する。
論文 参考訳(メタデータ) (2021-11-20T22:39:11Z) - Graph Neural Networks with Learnable Structural and Positional
Representations [83.24058411666483]
任意のグラフの大きな問題は、ノードの標準位置情報の欠如である。
ノードの位置ノード(PE)を導入し、Transformerのように入力層に注入する。
両方のGNNクラスで学習可能なPEを考えると、分子データセットのパフォーマンスは2.87%から64.14%に向上する。
論文 参考訳(メタデータ) (2021-10-15T05:59:15Z) - Permutation-equivariant and Proximity-aware Graph Neural Networks with
Stochastic Message Passing [88.30867628592112]
グラフニューラルネットワーク(GNN)は、グラフ上の新たな機械学習モデルである。
置換等価性と近接認識性は、GNNにとって非常に望ましい2つの重要な特性である。
既存のGNNは、主にメッセージパッシング機構に基づいており、同時に2つの特性を保存できないことを示す。
ノードの近さを保つため,既存のGNNをノード表現で拡張する。
論文 参考訳(メタデータ) (2020-09-05T16:46:56Z)
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。