論文の概要: Predicting and Interpreting Energy Barriers of Metallic Glasses with Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2401.08627v2
• Date: Thu, 20 Jun 2024 14:07:01 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-22 05:48:32.011873
• 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による金属ガラスのエネルギーバリアの予測と解釈
• Authors: Haoyu Li, Shichang Zhang, Longwen Tang, Mathieu Bauchy, Yizhou Sun,
• Abstract要約: 金属ガラス(英: Metallic Glasss, MGs)は、プラスチックとして成形されながら鋼より強度が高い広く用いられる材料である。 グラフニューラルネットワーク(GNN)を用いて、MGをモデル化し、EBを研究する。 本稿では,EB予測のための新しいデータセットと,予測においてE(3)不変である新しいSymmetrized GNN(SymGNN)モデルを提案する。
• 参考スコア（独自算出の注目度）: 40.33075223431487
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Metallic Glasses (MGs) are widely used materials that are stronger than steel while being shapeable as plastic. While understanding the structure-property relationship of MGs remains a challenge in materials science, studying their energy barriers (EBs) as an intermediary step shows promise. In this work, we utilize Graph Neural Networks (GNNs) to model MGs and study EBs. We contribute a new dataset for EB prediction and a novel Symmetrized GNN (SymGNN) model that is E(3)-invariant in expectation. SymGNN handles invariance by aggregating over orthogonal transformations of the graph structure. When applied to EB prediction, SymGNN are more accurate than molecular dynamics (MD) local-sampling methods and other machine-learning models. Compared to precise MD simulations, SymGNN reduces the inference time on new MGs from roughly 41 days to less than one second. We apply explanation algorithms to reveal the relationship between structures and EBs. The structures that we identify through explanations match the medium-range order (MRO) hypothesis and possess unique topological properties. Our work enables effective prediction and interpretation of MG EBs, bolstering material science research.
• Abstract（参考訳）: 金属ガラス(英: Metallic Glasss, MGs)は、プラスチックとして成形されながら鋼より強度が高い広く用いられる材料である。 物質科学において、MGの構造と優位性の関係を理解することは依然として困難であるが、そのエネルギー障壁(EB)を中間的なステップとして研究することは、有望であることを示している。 本研究では,グラフニューラルネットワーク(GNN)を用いてMGをモデル化し,EBを研究する。 本稿では,EB予測のための新しいデータセットと,予測においてE(3)不変である新しいSymmetrized GNN(SymGNN)モデルを提案する。 SymGNNは、グラフ構造の直交変換を集約することで不変性を処理する。 EB予測に適用した場合、SymGNNは分子動力学(MD)の局所サンプリング法や他の機械学習モデルよりも正確である。 正確なMDシミュレーションと比較すると、SymGNNは新しいMGの推測時間を約41日から1秒未満に短縮する。 構造とEBの関係を明らかにするために,説明アルゴリズムを適用した。 私たちが説明を通じて特定する構造は、中距離次数(MRO)仮説と一致し、独自の位相特性を持つ。 本研究は,物質科学研究を活性化するMG EBの効果的な予測と解釈を可能にする。

関連論文リスト

• Graph neural network framework for energy mapping of hybrid monte-carlo molecular dynamics simulations of Medium Entropy Alloys [0.0]
  本研究では, 中エントロピー合金(MEAs)のモデリングのためのグラフベース表現を提案する。 ハイブリッドモンテカルロ分子動力学(MC/MD)シミュレーションは、MEAの様々な熱処理温度で熱的に安定な構造を実現するために用いられる。 これらのシミュレーションはダンプファイルとポテンシャルエネルギーラベルを生成し、原子配置のグラフ表現を構築するのに使用される。 これらのグラフは、システムのポテンシャルエネルギーを予測するためのグラフ畳み込みニューラルネットワーク(GCNN)ベースのMLモデルの入力として機能する。
  論文  参考訳（メタデータ） (2024-11-20T19:22:40Z)
• Do Graph Neural Networks Work for High Entropy Alloys? [12.002942104379986]
  高エントロピー合金(HEA)は化学的な長距離秩序を欠き、現在のグラフ表現の適用性を制限する。 本稿では,HEA特性予測のための正確かつ解釈可能なGNNであるLESets機械学習モデルを紹介する。 第四紀HEAの力学特性のモデル化におけるLESetsの精度を実証する。
  論文  参考訳（メタデータ） (2024-08-29T08:20:02Z)
• Band-gap regression with architecture-optimized message-passing neural networks [1.9590152885845324]
  AFLOWデータベースからの密度汎関数理論データから材料を金属または半導体/絶縁体として分類するMPNNを訓練する。 次に,MPNNのモデル構造とハイパーパラメータ空間を探索し,非金属と同定された材料のバンドギャップを予測する。 検索から得られる最高のパフォーマンスモデルはアンサンブルにまとめられ、既存のモデルよりもはるかに優れています。
  論文  参考訳（メタデータ） (2023-09-12T16:13:10Z)
• 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)
• 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)
• 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)
• 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)
• 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)
• 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。