論文の概要: A Cartesian Encoding Graph Neural Network for Crystal Structures Property Prediction: Application to Thermal Ellipsoid Estimation

• arxiv url: http://arxiv.org/abs/2501.18369v1
• Date: Thu, 30 Jan 2025 14:24:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-31 15:14:30.249200
• Title: A Cartesian Encoding Graph Neural Network for Crystal Structures Property Prediction: Application to Thermal Ellipsoid Estimation
• Title（参考訳）: 結晶構造特性予測のためのカルテシアン符号化グラフニューラルネットワーク:熱エリプソイド推定への応用
• Authors: Àlex Solé, Albert Mosella-Montoro, Joan Cardona, Silvia Gómez-Coca, Daniel Aravena, Eliseo Ruiz, Javier Ruiz-Hidalgo,
• Abstract要約: 回折に基づく結晶構造解析では、ADP(Anisotropic Displacement Parameters)によって定量化される熱楕円体は、決定が困難である。 本稿では,原子幾何を結晶温度とともにカルト座標に符号化することで,結晶特性を効率的に予測する新しいグラフニューラルネットワークであるCartNetを紹介する。 CartNetは計算コストを大幅に削減し、ADP予測の既存の手法を10.87%上回り、理論的なアプローチよりも34.77%改善している。
• 参考スコア（独自算出の注目度）: 3.832124825311177
• License:
• Abstract: In diffraction-based crystal structure analysis, thermal ellipsoids, quantified via Anisotropic Displacement Parameters (ADPs), are critical yet challenging to determine. ADPs capture atomic vibrations, reflecting thermal and structural properties, but traditional computation is often expensive. This paper introduces CartNet, a novel graph neural network (GNN) for efficiently predicting crystal properties by encoding atomic geometry into Cartesian coordinates alongside the crystal temperature. CartNet integrates a neighbour equalization technique to emphasize covalent and contact interactions, and a Cholesky-based head to ensure valid ADP predictions. We also propose a rotational SO(3) data augmentation strategy during training to handle unseen orientations. An ADP dataset with over 200,000 experimental crystal structures from the Cambridge Structural Database (CSD) was curated to validate the approach. CartNet significantly reduces computational costs and outperforms existing methods in ADP prediction by 10.87%, while delivering a 34.77% improvement over theoretical approaches. We further evaluated CartNet on other datasets covering formation energy, band gap, total energy, energy above the convex hull, bulk moduli, and shear moduli, achieving 7.71% better results on the Jarvis Dataset and 13.16% on the Materials Project Dataset. These gains establish CartNet as a state-of-the-art solution for diverse crystal property predictions. Project website and online demo: https://www.ee.ub.edu/cartnet
• Abstract（参考訳）: 回折に基づく結晶構造解析では、ADP(Anisotropic Displacement Parameters)によって定量化される熱楕円体は、決定が困難である。 ADPは原子振動を捉え、熱的および構造的性質を反映するが、従来の計算は高価であることが多い。 本稿では,原子幾何を結晶温度とともにカルト座標に符号化することで,結晶特性を効率的に予測する新しいグラフニューラルネットワークであるCartNetを紹介する。 CartNetは、共有と接触の相互作用を強調するために近隣の等化技術と、Coleskyベースのヘッドを統合して、有効なADP予測を保証する。 また,未知の向きを扱うために,トレーニング中のSO(3)データ拡張戦略を提案する。 ケンブリッジ構造データベース(CSD)から20万以上の実験結晶構造を持つADPデータセットを解析し,そのアプローチを検証した。 CartNetは計算コストを大幅に削減し、ADP予測の既存の手法を10.87%上回り、理論的なアプローチよりも34.77%改善している。 我々はさらに,CartNetを,形成エネルギー,バンドギャップ,総エネルギー,凸船体上のエネルギー,バルクモジュール,せん断モジュールなどを含む他のデータセットで評価し,Jarvis Datasetで7.71%,Material Project Datasetで13.16%向上した。 これらの成果は、多様な結晶特性予測のための最先端のソリューションとしてCartNetを確立する。 プロジェクトウェブサイトとオンラインデモ: https://www.ee.ub.edu/cartnet

関連論文リスト

• Dumpling GNN: Hybrid GNN Enables Better ADC Payload Activity Prediction Based on Chemical Structure [53.76752789814785]
  DumplingGNNは、化学構造に基づいてADCペイロードのアクティビティを予測するために特別に設計された、ハイブリッドなグラフニューラルネットワークアーキテクチャである。 DNAトポイソメラーゼIインヒビターに着目した包括的ADCペイロードデータセットで評価を行った。 特別なADCペイロードデータセットに対して、例外的な精度(91.48%)、感度95.08%)、特異性(97.54%)を示す。
  論文  参考訳（メタデータ） (2024-09-23T17:11:04Z)
• A Space Group Symmetry Informed Network for O(3) Equivariant Crystal Tensor Prediction [89.38877696273364]
  結晶材料の一般的な引張特性の予測について考察する。 本稿では,必要な対称性を満たすために慎重に設計された汎用材料ネットワーク(GMTNet)を提案する。 実験の結果, GMTNetは様々な順序の結晶テンソル上で有望な性能を達成できた。
  論文  参考訳（メタデータ） (2024-06-03T16:26:16Z)
• 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)
• Higher-Order Equivariant Neural Networks for Charge Density Prediction in Materials [3.7655047338409893]
  ChargE3Netは、原子系の電子密度を予測するためのE(3)等価グラフニューラルネットワークである。 本稿では,ChargE3Netが分子や材料に対する先行研究よりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-12-08T21:56:19Z)
• Latent Conservative Objective Models for Data-Driven Crystal Structure Prediction [62.36797874900395]
  計算化学において、結晶構造予測は最適化問題である。 この問題に対処する1つのアプローチは、密度汎関数理論(DFT)に基づいてシミュレータを構築し、続いてシミュレーションで探索を実行することである。 我々は,LCOM(最近の保守的客観モデル)と呼ばれる我々の手法が,構造予測の成功率の観点から,最も優れたアプローチと同等に機能することを示す。
  論文  参考訳（メタデータ） (2023-10-16T04:35:44Z)
• 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)
• Uncertainty Quantification over Graph with Conformalized Graph Neural Networks [52.20904874696597]
  グラフニューラルネットワーク(GNN)は、グラフ構造化データに基づく強力な機械学習予測モデルである。 GNNには厳密な不確実性見積が欠如しており、エラーのコストが重要な設定での信頼性の高いデプロイメントが制限されている。 本稿では,共形予測(CP)をグラフベースモデルに拡張した共形GNN(CF-GNN)を提案する。
  論文  参考訳（メタデータ） (2023-05-23T21:38:23Z)
• EGRC-Net: Embedding-induced Graph Refinement Clustering Network [66.44293190793294]
  埋め込みによるグラフリファインメントクラスタリングネットワーク (EGRC-Net) という新しいグラフクラスタリングネットワークを提案する。 EGRC-Netは学習した埋め込みを利用して初期グラフを適応的に洗練し、クラスタリング性能を向上させる。 提案手法はいくつかの最先端手法より一貫して優れている。
  論文  参考訳（メタデータ） (2022-11-19T09:08:43Z)
• CPP-Net: Context-aware Polygon Proposal Network for Nucleus Segmentation [71.81734047345587]
  核分割のためのコンテキストアウェアポリゴンプロポーザルネットワーク(CPP-Net)を提案する。 まず、距離予測のために各セル内の1つのピクセルではなく1つのポイントセットをサンプリングする。 次に,サンプリングされた点集合から予測を適応的に融合する信頼度に基づく重み付けモジュールを提案する。 第3に,予測された多角形形状を制約した新しい形状認識損失(sap)を提案する。
  論文  参考訳（メタデータ） (2021-02-13T05:59:52Z)
• CRYSPNet: Crystal Structure Predictions via Neural Network [14.930208990741129]
  結晶構造予測に機械学習を利用した代替手法を提案する。 我々は, 無機材料のブラベイス格子, 空間群, 格子パラメータを予測できる結晶構造予測ネットワーク(CRYSPNet)を開発した。 無機結晶構造データベース(Inorganic Crystal Structure Database)から10万以上のエントリでトレーニングされ、検証された。
  論文  参考訳（メタデータ） (2020-03-31T16:05:18Z)

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。