論文の概要: Dual-Level Atomic and Coordination Geometry Learning for Crystal Property Prediction Using Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2607.24818v1
• Date: Fri, 17 Jul 2026 10:09:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-02 22:55:39.0803
• Title: Dual-Level Atomic and Coordination Geometry Learning for Crystal Property Prediction Using 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結晶特性予測のためのデュアルレベル原子・座標幾何学学習
• Authors: Sanjay Chakraborty,
• Abstract要約: Coordination Polyhedron Graph Network (CPGN)は、原子、結合、配位-ポリヘドロン表現を学習するマルチスケールグラフニューラルネットワークである。 配位ポリヘドラを用いて結晶表現学習を改善し、材料特性の正確で物理的に解釈可能な予測を可能にする。
• 参考スコア（独自算出の注目度）: 1.1041211464412568
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate prediction of crystal properties remains a key challenge in computational materials science. While graph neural networks (GNNs) such as CGCNN, MEGNet, ALIGNN, and SchNet have shown strong performance, they primarily represent crystals at the atomic level and implicitly learn local chemical environments through message passing. However, many material properties are governed by coordination polyhedra, the fundamental structural units formed by atoms and their neighboring atoms. To address this limitation, we propose the Coordination Polyhedron Graph Network (CPGN), a multi-scale GNN that jointly learns atomic, bond, and coordination-polyhedron representations. CPGN constructs three coupled graphs: an atom graph encoding elemental and bonding information, a line graph capturing angular interactions, and a coordination polyhedron graph describing Voronoi-derived local environments through corner-, edge-, and face-sharing relationships. Physically meaningful geometric descriptors are incorporated for each polyhedron, while an interleaved message-passing mechanism with bidirectional cross-attention enables effective information exchange across structural levels. Extensive evaluations on the Materials Project, JARVIS-DFT, and QM9 benchmark datasets demonstrate that CPGN outperforms existing state-of-the-art GNN models. It achieves a formation-energy MAE of 0.060 eV/atom and a band-gap MAE of 0.292 eV on the Materials Project, while providing competitive multi-property prediction on JARVIS-DFT and superior HOMO prediction on QM9. The results highlight that explicit modeling of coordination polyhedra improves crystal representation learning and enables accurate, physically interpretable prediction of material properties.
• Abstract（参考訳）: 結晶特性の正確な予測は、計算材料科学における重要な課題である。 CGCNN、MEGNet、ALIGNN、SchNetのようなグラフニューラルネットワーク(GNN)は強い性能を示しているが、それらは主に原子レベルでの結晶を表し、メッセージパッシングを通じて暗黙的に局所的な化学環境を学習している。 しかし、多くの物質特性は、原子とその隣の原子によって形成される基本構造単位であるポリヘドラの配位によって支配される。 この制限に対処するために,原子,結合,配位-多面体表現を共同で学習するマルチスケールGNNであるCoordination Polyhedron Graph Network (CPGN)を提案する。 CPGNは3つの結合グラフを構成する: 元素および結合情報を符号化する原子グラフ、角相互作用をキャプチャする線グラフ、およびコーナー、エッジ、フェイスシェアリング関係を通じてボロノイ由来の局所環境を記述する座標多面体グラフ。 物理的に意味のある幾何学的記述子を各ポリヘドロンに組み込む一方、双方向のクロスアテンションを持つインターリーブされたメッセージパッシング機構は、構造レベル間で効果的な情報交換を可能にする。 Materials Project、JARVIS-DFT、QM9ベンチマークデータセットの大規模な評価は、CPGNが既存の最先端のGNNモデルより優れていることを示している。 材料プロジェクトでは0.060 eV/atomのエネルギーMAEと0.292 eVのバンドギャップMAEを達成し、JARVIS-DFT上では競合するマルチプロパティ予測とQM9上では優れたHOMO予測を提供する。 その結果, 配向ポリヘドラの明示的モデリングにより結晶表現学習が向上し, 材料特性の正確な物理的予測が可能となった。

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)
• Molecular Geometry-aware Transformer for accurate 3D Atomic System modeling [51.83761266429285]
  本稿では,ノード(原子)とエッジ(結合と非結合の原子対)を入力とし,それらの相互作用をモデル化するトランスフォーマーアーキテクチャを提案する。 MoleformerはOC20の緩和エネルギー予測の初期状態の最先端を実現し、QM9では量子化学特性の予測に非常に競争力がある。
  論文  参考訳（メタデータ） (2023-02-02T03:49:57Z)
• 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)
• Discovering the Representation Bottleneck of Graph Neural Networks from Multi-order Interactions [51.597480162777074]
  グラフニューラルネットワーク(GNN)は、ノード機能を伝搬し、インタラクションを構築するためにメッセージパッシングパラダイムに依存している。 最近の研究は、異なるグラフ学習タスクはノード間の異なる範囲の相互作用を必要とすることを指摘している。 科学領域における2つの共通グラフ構築法、すなわち、emphK-nearest neighbor(KNN)グラフとemphfully-connected(FC)グラフについて検討する。
  論文  参考訳（メタデータ） (2022-05-15T11:38:14Z)
• 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)
• 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。