論文の概要: ADA-GNN: Atom-Distance-Angle Graph Neural Network for Crystal Material Property Prediction

• arxiv url: http://arxiv.org/abs/2401.11768v1
• Date: Mon, 22 Jan 2024 09:03:16 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-23 14:47:39.432839
• Title: ADA-GNN: Atom-Distance-Angle Graph Neural Network for Crystal Material Property Prediction
• Title（参考訳）: ADA-GNN:結晶物性予測のための原子距離角グラフニューラルネットワーク
• Authors: Jiao Huang and Qianli Xing and Jinglong Ji and Bo Yang
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 3.7050297294650716
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Property prediction is a fundamental task in crystal material research. To model atoms and structures, structures represented as graphs are widely used and graph learning-based methods have achieved significant progress. Bond angles and bond distances are two key structural information that greatly influence crystal properties. However, most of the existing works only consider bond distances and overlook bond angles. The main challenge lies in the time cost of handling bond angles, which leads to a significant increase in inference time. To solve this issue, we first propose a crystal structure modeling based on dual scale neighbor partitioning mechanism, which uses a larger scale cutoff for edge neighbors and a smaller scale cutoff for angle neighbors. Then, we propose a novel Atom-Distance-Angle Graph Neural Network (ADA-GNN) for property prediction tasks, which can process node information and structural information separately. The accuracy of predictions and inference time are improved with the dual scale modeling and the specially designed architecture of ADA-GNN. The experimental results validate that our approach achieves state-of-the-art results in two large-scale material benchmark datasets on property prediction tasks.
• Abstract（参考訳）: 物性予測は結晶材料研究の基本的な課題である。 原子や構造をモデル化するために、グラフとして表される構造は広く使われ、グラフ学習に基づく手法は大きな進歩を遂げた。 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。 しかし、現存する作品の多くはボンド距離とボンド角のみを考慮に入れている。 主な課題は、結合角を扱うための時間コストであり、それが推論時間を大幅に増加させる。 この問題を解決するために,両端近傍の大規模切欠きと角近傍の小型切欠きを併用した,二重スケール近傍の分断機構に基づく結晶構造モデリングを提案する。 次に,ノード情報と構造情報を別々に処理可能な特性予測タスクのための新しい原子距離グラフニューラルネットワーク(ada-gnn)を提案する。 ADA-GNNの2重スケールモデリングと特別設計アーキテクチャにより,予測精度と推定時間が改善された。 実験により,本手法は2つの大規模材料ベンチマークデータセットにおいて,特性予測タスクにおける最新結果が得られることを確認した。

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)
• Leveraging Orbital Information and Atomic Feature in Deep Learning Model [0.413365552362244]
  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。
  論文  参考訳（メタデータ） (2022-10-29T06:22:29Z)
• 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)
• Efficient, Interpretable Atomistic Graph Neural Network Representation for Angle-dependent Properties and its Application to Optical Spectroscopy Prediction [3.2797424029762685]
  我々は、結合角を含むALIGNN符号化を2面角を含むように拡張する(ALIGNN-d)。 この単純な拡張は、原子構造の幾何学的情報をキャプチャできるメモリ効率のよいグラフ表現につながることが示されている。 また,銅錯体の光学応答に対する個々の構造成分の相対的寄与を解明し,ALIGNN-dに基づくモデル解釈可能性についても検討した。
  論文  参考訳（メタデータ） (2021-09-23T18:10:39Z)
• PC-RGNN: Point Cloud Completion and Graph Neural Network for 3D Object Detection [57.49788100647103]
  LiDARベースの3Dオブジェクト検出は、自動運転にとって重要なタスクです。 現在のアプローチでは、遠方および閉ざされた物体の偏りと部分的な点雲に苦しむ。 本稿では,この課題を2つの解決法で解決する新しい二段階アプローチ,pc-rgnnを提案する。
  論文  参考訳（メタデータ） (2020-12-18T18:06:43Z)
• Distance-aware Molecule Graph Attention Network for Drug-Target Binding Affinity Prediction [54.93890176891602]
  薬物標的結合親和性予測に適したDiStance-aware Molecule graph Attention Network (S-MAN)を提案する。 そこで,我々はまず,構築したポケットリガンドグラフに位相構造と空間位置情報を統合する位置符号化機構を提案する。 また,エッジレベルアグリゲーションとノードレベルアグリゲーションを有するエッジノード階層的アグリゲーション構造を提案する。
  論文  参考訳（メタデータ） (2020-12-17T17:44:01Z)
• Spatio-Temporal Inception Graph Convolutional Networks for Skeleton-Based Action Recognition [126.51241919472356]
  我々はスケルトンに基づく行動認識のためのシンプルで高度にモジュール化されたグラフ畳み込みネットワークアーキテクチャを設計する。 ネットワークは,空間的および時間的経路から多粒度情報を集約するビルディングブロックを繰り返すことで構築される。
  論文  参考訳（メタデータ） (2020-11-26T14:43:04Z)
• 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。