Neural Structure Fields with Application to Crystal Structure Autoencoders
OMRON SINIC X Corporation(欧姆龙 SINIC X 公司);Tohoku University(东北大学);TOYOTA Motor Corporation(丰田汽车公司);The Graduate University for Advanced Studies (SOKENDAI)(综合研究大学院大学(SOKENDAI));Randeft Inc.(Randeft 公司);Osaka University(大阪大学)
针对晶体结构表征需求,提出将晶体视为连续场的神经结构场NeSF,打破空间分辨率与计算复杂度的权衡,构建的自编码器可还原多种晶体结构,性能优于现有基于网格的方法。
2023-12-14 cond-mat.mtrl-sci cs.LG physics.comp-ph
Examining graph neural networks for crystal structures: limitations and opportunities for capturing periodicity
从历史上看,材料信息学依赖于人类设计的材料结构描述符。近年来,已经提出了图神经网络(GNN),用于从数据端到端学习晶体结构的表示,产生针对下游预测任务优化的向量嵌入。然而,缺乏一个系统的方案来分析和理解GNN捕获晶体结构的限制。在这项工作中,我们建议使用人类设计的描述符作为人类知识库,以测试黑盒GNN是否可以捕获晶体结构的知识。我们发现,目前最先进的GNN不能很好地捕捉晶体结构的周期性,我们分析了GNN模型的局限性,导致这种失败从三个方面:本地表达能力,远程信息,读出功能。我们提出了一个初始的解决方案,混合描述符与GNNs,以提高GNNs的预测材料的性能,特别是声子内能和热容与90%的低误差,我们分析了改进的预测机制。所有的分析都可以很容易地扩展到其他深度表征学习模型、人类设计的描述符以及分子和非晶材料等系统。
2023-03-27 cond-mat.mtrl-sci
Crystal Fractional Graph Neural Network for Energy Prediction of High-Entropy Alloys
School of Informatics, Nagoya University(名古屋大学信息学系);University of Science and Technology of China(中国科学技术大学);Suzhou Institute for Advanced Research, University of Science and Technology of China(中国科学技术大学苏州市先进研究所)
本文提出晶体分数图神经网络,结合局部原子环境与全局组成信息,预测高熵合金能量,实验表明其精度接近第一性原理计算,但需改进处理大晶胞的能力。
2026-04-26 cond-mat.mtrl-sci cs.AI physics.comp-ph
Establishing the relationship between generalized crystallographic texture and macroscopic yield surfaces using partial input convex neural networks
本研究提出基于部分输入凸神经网络(pICNN)的改进框架,预测具有复杂晶体学织构金属的宏观屈服面,并引入自适应算法减少训练数据生成与模型训练时间。
2024-06-27 cond-mat.mtrl-sci
Accelerating Discovery of Extreme Lattice Thermal Conductivity by Crystal Attention Graph Neural Network (CATGNN) Using Chemical Bonding Intuitive Descriptors
University of South Carolina(南卡罗来纳大学);Institut de Ciència de Materials de Barcelona, ICMAB–CSIC(巴塞罗那材料科学研究所,西班牙国家科学研究委员会);Northwestern University(西北大学)
通过CATGNN利用化学键描述符发现具有极值晶格热导率的材料,提升热绝缘和热电材料设计效率
2025-12-11 cond-mat.mtrl-sci
An equivariant graph neural network for the elasticity tensors of all seven crystal systems
本文提出等变图神经网络模型MatTen,统一预测七种晶系的弹性张量,满足参考系无关与对称性保持,发现百种高杨氏模量新晶体及十一种立方金属多晶型。
2024-01-22 cond-mat.mtrl-sci
SR-CGCNN: Shared Recurrent Convolution in Crystal Graph Neural Networks for Materials Property Prediction
Indo-Korea Science and Technology Center (IKST)(印韩科学技术中心)
本文提出SR-CGCNN,通过共享递归机制实现参数高效,使三步模型在保持准确性的同时仅使用34.5%的参数,提升了晶体图卷积的紧凑性。
2026-08-17 cond-mat.mtrl-sci
Graph neural network coarse-grain force field for the molecular crystal RDX
提出一种结合图神经网络与全原子模拟数据的粗粒度力场通用开发方法,通过迭代过程和预训练解码器扩展训练构型,在RDX材料上成功实现了对宽温压范围内晶体与非晶态的准确捕捉。
2024-03-22 cond-mat.mes-hall cond-mat.mtrl-sci
Fourier Neural Operators for Composition-Driven Crystal Structure Discovery
University of Science and Technology of China(中国科学技术大学);Suzhou Institute for Advanced Research, University of Science and Technology of China(中国科学技术大学苏州高等研究院)
该研究开发基于傅里叶神经算子的晶体场求解器,构建耦合生成-求解框架,在104种化学式上生成新型晶体结构,为成分驱动的晶体结构发现提供可扩展途径。
2026-09-02 cond-mat.mtrl-sci physics.comp-ph
Crystal structure identification with 3D convolutional neural networks with application to high-pressure phase transitions in SiO$_2$
本研究训练PointNet和DG-CNN两种神经网络架构评估其原子结构识别性能,在简单晶体结构上与现有方法基准测试,扩展至SiO₂复杂相并深入理解其冲击压缩结晶过程,还实现了与OVITO的集成。
2024-05-08 cond-mat.mtrl-sci
MT-CGCNN: Integrating Crystal Graph Convolutional Neural Network with Multitask Learning for Material Property Prediction
Indian Institute of Science(印度科学学院);Shell Technology Centre Bangalore(壳牌班加罗尔技术中心)
开发准确、可转移且计算成本低廉的机器学习模型可以快速加速新材料的发现和开发。开发此类模型所涉及的一些主要挑战是:(i)与其他领域相比,材料数据的可用性有限,(ii)缺乏通用的材料描述符来预测其各种属性。材料数据的有限可用性可以通过迁移学习来解决,而通用表示最近由Xie和Grossman [1]解决,他们开发了一种晶体图卷积神经网络(CGCNN),提供了晶体的统一表示。在这项工作中,我们通过将CGCNN与基于多任务(MT)学习的迁移学习相结合,开发了一种新的模型(MT-CGCNN)。我们证明了MT-CGCNN的有效性,通过同时预测各种材料的性质,如形成能,带隙和费米能为广泛的无机晶体(46774材料)。MT-CGCNN在相关属性上使用时能够将测试误差降低高达8%。与CGCNN相比,该模型预测具有更低的测试误差,即使当训练数据减少10%时。我们还通过预测与金属/非金属分类相关的最终用户场景来展示我们的模型的更好性能。这些结果鼓励进一步开发机器学习方法,这些方法利用多任务学习来解决发现新材料中的上述挑战。我们提供MT-CGCNN的源代码,以鼓励可重复的研究。
2018-11-14 cond-mat.mtrl-sci cs.LG stat.ML
Crystal structure prediction using neural network potential and age-fitness Pareto genetic algorithm
University of South Carolina(南卡罗来纳大学)
本文提出ParetoCSP算法,通过将基因型年龄作为独立优化标准增强NSGA-III,并结合M3GNet通用IAP指导多目标遗传算法搜索,在55个基准结构上以2.562倍优势超越GN-OA,显著提升了晶体结构预测的能力。
2023-09-13 cond-mat.mtrl-sci cs.LG cs.NE
Transfer learning for materials informatics using crystal graph convolutional neural network
为了成功地将机器学习应用于材料信息学,有必要克服由于数据量不足而导致的预测不准确。在这项研究中,我们提出了一种使用晶体图卷积神经网络(TL-CGCNN)的迁移学习。在本文中,TL-CGCNN使用大数据(例如晶体结构的形成能)进行预训练,然后用于使用相对较小的数据预测目标属性。我们确认TL-CGCNN可以改善对各种性质的预测,如体积模量,介电常数和准粒子带隙,这些性质对计算要求很高,以构建材料的大数据。此外,我们定量地观察到,随着预训练模型中训练数据集大小的增加,通过TL-CGCNN对目标模型中属性的预测变得更加准确。最后,我们确认TL-CGCNN在预测目标属性方面优于其他回归方法,这些方法的数据量较小。因此,我们得出结论,TL-CGCNN很有前途,可以为易于积累且与目标属性相关的材料编制大数据。
2021-01-29 cond-mat.mtrl-sci physics.comp-ph
Coarse-grained crystal graph neural networks for reticular materials design
针对网状材料原子级图神经网络逆向设计存在冗余特征的问题,本研究提出基于分子结构单元的粗粒度晶体图神经网络,在低计算成本下实现不错的预测精度,可集成至逆向设计流程,挑战原子中心的主流设计视角。
2023-12-20 cond-mat.mtrl-sci physics.comp-ph
Learning Thermoelectric Transport from Crystal Structures via Multiscale Graph Neural Network
School of Integrated Circuits, Wuhan University(武汉大学集成电路学院);Key Laboratory of Artificial Micro- and Nano-Structures of Ministry of Education, School of Physics and Technology, Wuhan University(武汉大学物理科学与技术学院人工微结构和介观物理教育部重点实验室);School of Optical and Electronic Information, Huazhong University of Science and Technology(华中科技大学光学与电子信息学院)
本文提出一种多尺度图神经网络模型,用于估计无机热电晶体的电子输运系数,结合第一性原理计算揭示材料输运行为的物理机制。
2026-06-05 cond-mat.mtrl-sci physics.app-ph
Determination of the Interface between Amorphous Insulator and Crystalline 4H-SiC in Transmission Electron Microscope Image by using Convolutional Neural Network
Advanced Power Electronics Research Center, National Institute of Advanced Industrial Science and Technology (AIST)(先进电力电子研究中心,产业技术综合研究所(AIST));Global Zero Emission Research Center, National Institute of Advanced Industrial Science and Technology (AIST)(全球零排放研究中心,产业技术综合研究所(AIST))
粗糙的界面似乎是SiC MOSFET沟道迁移率(电导率)低的可能原因之一。为了通过界面粗糙度评估迁移率,我们通过使用卷积神经网络(CNN)的深度学习方法,在通过透射电子显微镜(TEM)获得的横截面图像中绘制了非晶绝缘体和结晶4 H-SiC之间的边界线。我们表明,CNN模型可以很好地识别界面,即使界面过于粗糙,无法手动绘制边界线。计算了界面粗糙度的功率谱密度。
2020-10-14 cond-mat.dis-nn cond-mat.mtrl-sci cs.LG
Hierarchical Serpentine-like Organic Crystal Optical Waveguides for Artificial Neural Networks
本文利用柔性MPyIN有机晶体和AFM微操作构建四层蛇形光波导类ANN架构,通过六个光学突触实现光信号的倏逝耦合、前馈倍增与分束。
2025-01-10 cond-mat.dis-nn cond-mat.mtrl-sci physics.optics
DeepCrysTet: A Deep Learning Approach Using Tetrahedral Mesh for Predicting Properties of Crystalline Materials
SAKURA internet Inc.(樱花互联网公司);National Institute for Materials Science (NIMS)(国立材料科学研究所);The University of Tokyo(东京大学);RIKEN(理化学研究所);Kyoto University(京都大学)
针对图表示丢失晶体三维信息的问题,提出基于Delaunay四面体网格的深度学习框架DeepCrysTet,在分类和弹性属性预测上超越现有GNN模型。
2023-09-07 cond-mat.mtrl-sci cs.LG
StrainTensorNet: Predicting crystal structure elastic properties using SE(3)-equivariant graph neural networks
Chulalongkorn University(朱拉隆功大学)
本文提出StrainTensorNet,一种基于SE(3)-等变图神经网络的数据驱动方法,高效预测晶体弹性质,包括弹性模量、应变能量密度及弹性常数,并具备可解释性。
2023-11-10 cond-mat.dis-nn cond-mat.mtrl-sci cs.LG
High-throughput discovery of novel cubic crystal materials using deep generative neural networks
高通量筛选已成为发现新型功能材料的主要策略之一。然而,由于目前存放在可持续发展国际中心和卡塔尔气象局等材料储存库中的已知材料数量和多样性不足,其有效性受到严重限制。机器学习,特别是深度学习的最新进展已经实现了一种生成策略,该策略学习隐含的化学规则,用于创建具有新组成和结构的化学有效的假设材料。然而,目前的材料生成模型难以生成结构多样、化学有效和稳定的材料。在这里,我们提出了CubicGAN,这是一种基于生成对抗网络(GAN)的深度神经网络模型,用于大规模生成新型立方晶体结构。当对来自OQMD数据库的375,749种三元晶体材料进行训练时,我们表明我们的模型不仅能够重新发现大多数目前已知的立方材料,而且还能够生成新结构原型的假设材料。总共有506种这样的新材料(它们都是三元或四元的)已经通过基于DFT的声子色散稳定性检查进行了验证,其中一些已经被发现可能具有特殊的功能特性。考虑到立方材料在太阳能电池和锂电池等广泛应用中的重要性,我们的GAN模型提供了一种有前途的方法,可以显着扩展当前的材料库,从而通过筛选发现新的功能材料。通过DFT最终验证的新晶体结构可在我们的Carolina Materials Database http://www.carolinamatdb.org上免费访问。
2021-02-05 cond-mat.mtrl-sci
Developing an improved Crystal Graph Convolutional Neural Network framework for accelerated materials discovery
最近提出的晶体图卷积神经网络(CGCNN)通过直接从晶体结构的图形表示(“晶体图”)学习材料属性,提供了一个高度通用和准确的机器学习(ML)框架。在这里,我们开发了CGCNN模型(iCGCNN)的改进变体,通过结合Voronoi镶嵌晶体结构的信息,相邻组成原子的显式三体相关性以及晶体图中原子间键的优化化学表示,该模型的性能优于原始模型。我们在两个不同的说明中证明了改进框架的准确性:首先,当在180,000/20,000个密度泛函理论(DFT)计算的热力学稳定性条目上训练/验证时,这些条目取自开放量子材料数据库(OQMD),并在230,000个条目的单独测试集上进行评估,iCGCNN实现了显著提高的预测准确性,即,比原来的CGCNN高出20%。其次,当用于辅助ThCr 2Si 2结构类型材料的高通量搜索时,iCGCNN表现出31%的成功率,比无向高通量搜索高310倍,比原始CGCNN高2.4倍。使用CGCNN和iCGCNN,我们筛选了132,600种具有ThCr 2Si 2原型晶体结构元素装饰的化合物,并通过执行757次DFT计算确定了总共97种新的独特稳定化合物,将高通量搜索的计算时间加快了130倍。我们的研究结果表明,iCGCNN可用于通过快速准确地识别具有感兴趣特性的晶体化合物来加速新材料的高通量发现。
2019-06-12 cond-mat.mtrl-sci physics.comp-ph physics.data-an
CEGANN: Crystal Edge Graph Attention Neural Network for multiscale classification of materials environment
材料设计和发现中的机器学习模型和应用通常涉及使用特征表示或“描述符”,然后使用学习算法将其映射到用户期望的感兴趣属性。大多数流行的基于数学公式的描述符在原子环境中不是唯一的,或者在不同的应用领域和/或材料类别中存在可转移性问题。在这项工作中,我们引入了Crystal Edge Graph Attention Neural Network(CEGANN)工作流程,该工作流程使用基于图形注意力的架构来学习独特的特征表示,并在多个尺度(从原子到介观尺度)和不同的类别(从金属,氧化物,非金属,甚至分层材料,如沸石和半有序材料,如中间相)中进行材料分类。我们首先展示了一个案例研究,其中分类是基于全局的,结构级的表示,如空间群和结构维度(例如,体、2D、簇等)。使用代表性的材料,如多晶和沸石,我们接下来展示了我们的网络在成功执行本地原子级分类任务,如晶界识别和其他异质界面的可移植性。我们还证明了分类(热)嘈杂的动态环境中使用的晶体成核和生长的沸石多晶型物从无定形合成混合物的一个代表性的例子。最后,我们描述了二元中间相的形成及其相变和冰的生长,证明了CEGANN在具有热噪声和成分多样性的系统中的性能。总的来说,我们的方法是不可知的材料类型,并允许多尺度分类的功能,从原子尺度的晶体结构,异质界面的微尺度晶界。
2022-11-15 cond-mat.mtrl-sci
Equivariant Graph Neural Networks for Prediction of Tensor Material Properties of Crystals
针对晶体介电、压电和弹性张量从头计算成本高的问题,本文利用张量对称性开发球谐分解方法,应用三种E(3)-等变卷积结构预测分解分量,实现等变预测并测试模型在不同张量目标集间的可迁移性。
2024-11-25 cond-mat.mtrl-sci physics.comp-ph
Efficient Crystal Structure Prediction Using Universal Neural Network Potential with Diversity Preservation in Genetic Algorithms
Preferred Networks, Inc.(普瑞弗雷德网络有限公司);Massachusetts Institute of Technology(麻省理工学院)
提出一种结合通用神经网络势和遗传算法的晶体结构预测方法,通过保持结构多样性和引入老化机制,以更少的尝试获得更大的凸包,并准确复现DFT相图。
2026-03-25 cond-mat.mtrl-sci physics.comp-ph
Transferable Graph Neural Network Surrogates for Molecular Dynamics Across Crystal Symmetries
Merrimack College(梅里马克学院);West Virginia State University(西弗吉尼亚州立大学)
本研究提出一种可迁移的图神经网络代理框架,直接预测原子位移以模拟分子动力学,无需力评估或数值积分,并成功应用于FCC铝、BCC铁和HCP镁,实现纳秒级稳定传播,展示了跨晶体对称性的通用性。
2026-10-02 cond-mat.mtrl-sci
Training artificial neural networks for precision orientation and strain mapping using 4D electron diffraction datasets
描述了使用模拟的动态电子衍射图案来训练人工神经网络(ANN)和卷积神经网络(CNN)的技术。前提是基于以下事实。首先,在给定合适的晶体结构模型和散射势的情况下,利用动力学衍射理论可以精确地模拟电子衍射花样。其次,使用模拟的衍射图案作为输入,可以训练神经网络用于确定晶体结构特性,例如晶体取向和局部应变。此外,通过将训练的ANN应用于使用扫描电子纳米衍射(SEND)或4D扫描透射电子显微镜(4D-STEM)技术收集的四维衍射数据集(4D-DD),可以以高空间分辨率映射晶体结构性质。在这里,我们展示了人工神经网络在高精度分析晶体取向和应变方面的可能性,并通过与以前的方法进行比较,对人工神经网络和CNN的性能进行了基准测试。在0.009度(0.16 mrad)的取向映射,在0.04%或更低的应变映射的灵敏度,并在计算性能的改进的角分辨率的30倍的改善被证明。
2021-03-04 cond-mat.mes-hall cond-mat.mtrl-sci
ADA-GNN: Atom-Distance-Angle Graph Neural Network for Crystal Material Property Prediction
Jilin University(吉林大学)
针对晶体图建模常忽略键角且角度计算增加推理开销的问题,提出双尺度邻居划分机制与 ADA-GNN,分别建模节点及结构信息,在两个大规模材料基准上达到当前最优性能。
2024-01-22 cond-mat.mtrl-sci cs.LG
Learning Ordering in Crystalline Materials with Symmetry-Aware Graph Neural Networks
Massachusetts Institute of Technology(麻省理工学院)
针对多组分晶体材料中化学序影响性质的问题,通过定制数据集基准测试发现,对称等变图神经网络架构能有效区分原子序,而传统对称不变模型则无法做到。
2024-09-20 cond-mat.mtrl-sci cs.LG physics.chem-ph
Rapid Assessment of Stable Crystal Structures in Single Phase High Entropy Alloys Via Graph Neural Network Based Surrogate Modelling
本研究提出基于图神经网络ALIGNN-FF的单相高熵合金稳定结构快速预测方法,经132种合金测试并与传统方法对比,验证了多因素对精度的影响,还成功预测并实验验证了新型无钴3d高熵合金的结构。
2024-09-11 cond-mat.dis-nn cond-mat.mtrl-sci
Substitutional Alloying Using Crystal Graph Neural Networks
NOMATEN Centre of Excellence(NOMATEN卓越中心);National Centre for Nuclear Research(国家核研究中心)
本研究利用晶体图神经网络(CGNN)预测含替代缺陷晶体的性质,并通过DFT验证其准确性,为合金发现提供新途径。
2023-06-19 cond-mat.dis-nn cond-mat.mtrl-sci cond-mat.stat-mech
Modeling crystal defects using defect-informed neural networks
本文提出DefiNet,一种专门设计用于准确捕获点缺陷结构中缺陷相关相互作用和几何配置的等变图神经网络,在毫秒内实现近DFT水平结构预测,仅需3个离子步达到基态,并能泛化至点缺陷之外,为缺陷材料研究提供有力工具。
2025-06-02 cond-mat.mtrl-sci physics.comp-ph
Deep Learning and Crystal Plasticity: A Preconditioning Approach for Accurate Orientation Evolution Prediction
通过数据驱动模型有效和精确地预测塑性依赖于适当的数据准备和精心设计的模型。在这里,我们介绍了一种基于无监督机器学习的数据准备方法,以最大限度地提高变形过程中晶体取向演化数据的可训练性。对于Taylor模型晶体塑性数据,预处理过程将人工神经网络的测试分数从0.831提高到0.999,同时将训练迭代次数减少了一个数量级。该方法的有效性进一步提高了递归神经网络。轧制过程中的晶体旋转的电子背散射(EBSD)实验室测量结果与替代模型的结果进行了比较,尽管泰勒模型简化假设引入了误差,但观察到替代模型与实验之间非常合理的一致性。我们的方法是进一步数据驱动研究的基础,使实验和模拟晶体塑性结果的织构演化的有效和精确的预测。
2021-06-24 cond-mat.mtrl-sci
Predictions of Electromotive Force of Magnetic Shape Memory Alloy (MSMA) Using Constitutive Model and Generalized Regression Neural Network
铁磁记忆合金(MSMA),如Ni-Mn-Ga单晶,在室温下可在外加磁场作用下表现出形状记忆效应。在可变磁场和恒定偏置应力加载下,MSMA已用于致动应用。本文的工作对现有的Ni-Mn-Ga单晶宏观磁力学模型进行了改进。该模型包括这样一个事实,即两个变体中的磁易轴并不完全垂直,如D silva等人所观察到的。这种偏移有助于解释MSMA的一些功率收集能力。模型预测进行了比较,实验数据收集的Ni-Mn-Ga单晶。实验包括具有恒定偏置磁场负载(其模拟功率收集或感测)的应力控制加载和具有恒定偏置压缩应力(其模拟致动)的场控制加载。每种类型的测试在几个不同的负载水平下进行,并测量所施加的磁场没有MSMA试样存在,使退磁不影响实验测得的领域所建议的Eberle等人。结果显示体面的模型预测和实验数据之间的协议。虽然该模型预测的实验结果体面,它没有捕捉到的所有功能的实验数据。为了捕捉所有的实验特征,最后,广义回归神经网络(GRNN)被用来训练的实验数据(应力,应变,磁场,和电动势),使它可以作出合理的更好的预测。
2022-11-11 cond-mat.mtrl-sci stat.ML
Machine Learning for compositional disorder: A Comparison Between Different Descriptors and Machine Learning Frameworks
组成无序在晶体化合物中很常见。在这些化合物中,一些原子随机分布在一些晶体学位置。对于这样的化合物,无规性形成许多不相同的独立结构。因此,使用普通量子从头算方法计算所有结构的能量可能非常耗时。机器学习可以成为从头算方法的可靠替代方案。我们使用机器学习在相当短的时间内以接近密度泛函理论计算的精度计算这些化合物的能量。在这项研究中,我们使用核岭回归和神经网络来预测能量。在KRR中,我们使用正弦矩阵,Ewald和矩阵,SOAP,ACSF和MBTR。为了实现神经网络,我们使用了神经网络在材料科学中的两类重要应用,包括高维神经网络和基于晶体图表示的卷积神经网络。我们表明,核岭回归使用MBTR和神经网络使用ACSF可以提供更好的精度比其他方法。
2022-12-22 cond-mat.mtrl-sci
An Efficient High-Degree, High-Order Equivariant Graph Neural Network for Direct Crystal Structure Optimization
Jinan University(暨南大学);Nanyang Technological University(南洋理工大学);National University of Singapore(新加坡国立大学);National University of Singapore (Chongqing) Research Institute(新加坡国立大学(重庆)研究院)
本文提出E³Relax-H²,一种高效的高阶等变图神经网络,直接将初始晶体映射到其松弛结构,通过高阶信息传递机制和晶格-原子耦合模型提升结构优化效率。
2026-03-25 cond-mat.mtrl-sci
Room temperature exciton-polariton neural network with perovskite crystal
本研究利用单晶钙钛矿波导中的非平衡玻色-爱因斯坦凝聚,首次实现室温激子-极化激元神经网络,并在二分类和目标检测任务中验证其性能,为光学计算加速器开辟了新途径。
2024-12-14 cond-mat.dis-nn cond-mat.mtrl-sci cond-mat.quant-gas
Universal and Experiment-calibrated Prediction of XANES through Crystal Graph Neural Network and Transfer Learning Strategy
Tsinghua University(清华大学)
本研究提出基于晶体图神经网络与迁移学习的XANES预测方法,实现低误差的通用预测并有效校准实验数据。
2026-01-14 cond-mat.mtrl-sci
Virp: neural network-accelerated prediction of physical properties in site-disordered materials
Nanyang Technological University(南洋理工大学);Technical University of Denmark(丹麦技术大学);A*STAR - Agency for Science, Technology and Research(新加坡科技研究局)
本文提出了一种结合排列虚拟单元生成算法、采样方案和热力学后处理的管道,用于高效分析位点无序材料的物理性质,通过使用400个虚拟单元可充分采样大规模构型空间。
2026-05-21 cond-mat.mtrl-sci
A Cartesian Encoding Graph Neural Network for Crystal Structures Property Prediction: Application to Thermal Ellipsoid Estimation
CartNet通过编码原子几何到笛卡尔坐标和晶体温度,高效预测晶体性质,尤其在热椭球估计中表现优异,比现有方法提升10.87%,并在多个数据集上取得显著改进。
2025-01-30 cond-mat.mtrl-sci cs.LG physics.chem-ph
Optimized Crystallographic Graph Generation for Material Science
Univ. Artois(阿图瓦大学)
本文提出GPU优化的pyMatGraph框架,用于实时生成晶体周期性结构的截断图和k近邻图,支持生成模型在前向传播中动态更新几何与图,助力材料发现。
2023-06-07 cond-mat.mtrl-sci cs.LG
Artificial Neural Networks for Predicting Mechanical Properties of Crystalline Polyamide12 via Molecular Dynamics Simulations
本文开发了一种人工神经网络,以分子动力学模拟数据训练,通过输入宏观变形梯度来高效预测结晶态聚酰胺12的三维各向异性应力-应变关系,为半结晶聚合物多尺度有限元模拟奠定基础。
2023-10-31 cond-mat.mtrl-sci cond-mat.soft
A Systematic Approach to Generating Accurate Neural Network Potentials: the Case of Carbon
可负担得起的和广泛适用的原子间相互作用势的可用性是解锁现代材料建模的财富所需的关键。基于人工神经网络的方法产生的潜力是有前途的,然而,神经网络训练需要大量的数据,充分采样,从一个往往未知的势能面。在这里,我们提出了一个自洽的方法,是基于晶体结构预测形式主义和指导下的无监督数据分析,构建一个准确的,廉价的和可转移的人工神经网络的潜力。使用这种方法,我们构建了一个碳原子间势,并证明了它的能力,以重现第一原理的结果,金刚石,石墨和石墨烯的弹性和振动特性,以及能量排序和结构特性的范围广泛的结晶和非晶相。
2020-11-09 cond-mat.mtrl-sci
Ensemble-Embedding Graph Neural Network for Direct Prediction of Optical Spectra from Crystal Structure
针对从晶体结构预测光学性质缺乏高效原子嵌入的难题,提出具备自动嵌入优化的等变图神经网络GNNOpt,仅用944种材料的数据集即可精准预测多种光学性质,可用于光伏材料筛选和量子材料搜寻。
2024-06-24 cond-mat.mtrl-sci physics.app-ph
Neural networks trained on synthetically generated crystals can extract structural information from ICSD powder X-ray diffractograms
Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院)
提出用对称操作生成合成晶体训练ResNet模型,在ICSD粉末衍射图空间群分类上达79.9%准确率,超越直接训练方法的56.1%。
2023-09-19 cond-mat.mtrl-sci cs.LG
Prediction of the evolution of the stress field of polycrystals undergoing elastic-plastic deformation with a hybrid neural network model
晶体塑性理论常被用来预测多晶金属的介观状态,但其计算成本较高。使用具有卷积层的神经网络编码时间和空间的相关性,我们能够预测仅给定初始微观结构和外部载荷的应力场的演变。与我们最近的工作相比,我们不仅能够预测应力响应的空间平均值,而且能够预测场本身。我们表明,应力场和它们的速率是在高保真度与晶体塑性数据,并没有可见的文物。此外,整个弹性到完全塑性转变的应力分布与所提供的晶体塑性数据相匹配。最后,我们证明了训练模型在材料表征和优化任务中的有效性。
2019-10-08 cond-mat.mtrl-sci physics.comp-ph
Dual-Level Atomic and Coordination Geometry Learning for Crystal Property Prediction Using Graph Neural Networks
Linköping University(林雪平大学)
针对晶体性质预测难题,提出配位多面体图网络(CPGN)这一多尺度GNN,通过构建耦合图及交错消息传递机制联合学习原子等表示,在多基准数据集评估中优于现有模型,能准确且可解释地预测材料特性。
2026-07-29 cond-mat.mtrl-sci cs.AI cs.CE
Deep Neural Networks for Accurate Predictions of Garnet Stability
预测晶体的稳定性是材料科学的核心问题之一。今天,密度泛函理论(DFT)计算是选择的计算工具,以获得定量准确的晶体能量。尽管算法和计算的进步,DFT计算仍然相对昂贵,规模与系统的大小差。在这里,我们表明,深度神经网络仅利用两个描述符-鲍林电负性和离子半径-可以预测C3 A2 D3 O 12石榴石的DFT形成能,平均绝对误差极低,为7-8 meV/atom,比以前的机器学习模型提高了一个数量级,并且在DFT精度的范围内。进一步扩展到混合石榴石的精度损失很小,可以实现使用二进制编码方案,引入最小的描述符维数的增加。我们的研究结果表明,用于定量晶体稳定性预测的可推广的深度学习模型可以建立在一小组化学直观描述符上。这些模型提供了快速穿越巨大化学空间的方法,以准确识别稳定的成分,加速发现具有潜在优越性能的新材料。
2017-12-05 cond-mat.mtrl-sci
Insightful classification of crystal structures using deep learning
从数据中自动提取知识的计算方法对于实现数据驱动的材料科学至关重要。晶格对称性的可靠识别是材料表征和分析的关键第一步。目前的方法需要一个用户指定的阈值,并无法检测平均对称性的缺陷结构。在这里,我们提出了一种基于机器学习的方法,通过晶体对称性自动分类结构。首先,我们通过计算衍射图像来表示晶体,然后构建一个用于分类的深度学习神经网络模型。我们的方法能够正确地分类数据集,包括超过10万个模拟晶体结构,包括严重缺陷的。神经网络的内部操作通过专注的反应图来解开,表明它使用了材料科学家会使用的相同地标,尽管从未明确指示这样做。我们的研究为大数据材料科学中可能存在噪声和不完整的三维结构数据的晶体结构识别铺平了道路。
2018-05-30 cond-mat.dis-nn cond-mat.mtrl-sci
Predicting Lattice Phonon Vibrational Frequencies Using Deep Graph Neural Networks
University of South Carolina(南卡罗来纳大学);National Institute of Standards and Technology(国家标准与技术研究所);Theiss Research
晶格振动频率与许多重要的材料性质有关,例如导热性、导电性以及超导性。然而,使用密度泛函理论(DFT)方法计算振动频率对于材料筛选中的大量样本来说计算量太大。在这里,我们提出了一种基于深度图神经网络的算法,用于高精度地从晶体结构预测晶体振动频率。我们的算法使用零填充方案来解决振动频谱的可变维度。对15,000和35,552个样本的两个数据集的基准研究表明,预测的聚合$R^2$得分分别达到0.554和0.724。我们的工作证明了深度图神经网络除了预测声子态密度(DOS)和电子态密度之外,还能够学习预测晶体结构的声子谱特性,其中输出维度是恒定的。
2021-11-10 cond-mat.mtrl-sci cs.LG
Crystal Transformer: Self-learning neural language model for Generative and Tinkering Design of Materials
University of South Carolina(南卡罗来纳大学)
自监督神经语言模型最近取得了前所未有的成功,从自然语言处理到学习生物序列和有机分子的语言。这些模型在蛋白质和分子的生成、结构分类和功能预测方面表现出优异的性能。然而,大多数基于掩蔽的预训练语言模型并不是为生成设计而设计的,它们的黑盒性质使得很难解释它们的设计逻辑。在这里,我们提出了BLMM晶体Transformer,基于神经网络的概率生成模型的生成和修补设计的无机材料。我们的模型建立在用于文本生成的空白填充语言模型上,在学习“材料语法”以及高质量的生成,可解释性和数据效率方面表现出独特的优势。它可以产生化学有效的材料组合物,具有高达89.7%的电中性和84.8%的平衡电负性,与伪随机采样基线相比,这是4倍和8倍以上。BLMM的概率生成过程允许它根据所学的材料化学推荐修补操作,并使其对材料掺杂有用。结合TCSP晶体结构预测算法,我们应用我们的模型发现了一组新材料,并通过DFT计算进行了验证。因此,我们的工作带来了无监督的Transformer语言模型为基础的生成人工智能的无机材料。已经为计算材料掺杂开发了一个用户友好的网络应用程序,可以在\url{www.materialsatlas.org/blmtinker}上免费访问。
2022-04-25 cond-mat.mtrl-sci cs.LG
RamanGPT: Bidirectional Mapping Between Crystal Structures and Raman Spectra with Graph Neural Networks and Generative Transformers
United States Naval Academy(美国海军学院);Johns Hopkins University(约翰斯·霍普金斯大学)
提出RamanGPT框架,利用图神经网络(ALIGNN)实现从晶体结构预测拉曼光谱(正向问题),并通过量化低秩适配微调大语言模型实现从拉曼光谱反推晶体结构(逆向问题),在计算数据库和实验数据上验证了有效性。
2026-06-02 cond-mat.mtrl-sci
Microstructure sensitive recurrent neural network surrogate model of crystal plasticity
UK Atomic Energy Authority(英国原子能管理局)
本研究开发了一种微结构敏感的循环神经网络代理模型,直接从三维晶粒结构预测晶体塑性均匀化应力响应,误差仅2-3 MPa,可替代传统本构更新,实现快速多尺度建模与不确定性量化。
2025-10-08 cond-mat.mtrl-sci
Predicting thermoelectric properties from crystal graphs and material descriptors - first application for functional materials
I2R, A*STAR(新加坡科技研究局资讯通信研究院);IMRE, A*STAR(新加坡科技研究局材料研究与工程研究院)
我们介绍了使用晶体图卷积神经网络(CGCNN),全连接神经网络(FCNN)和XGBoost来预测热电性能。CGCNN的数据集不依赖于密度泛函理论(DFT),只依赖于晶体和原子的信息,而FCNN的数据集基于Materialsproject.org中丰富的属性列表。结果表明,优化后的FCNN具有三层深度,能够更好地预测与散射时间无关的热电功率因数(或XGBoost),这表明从部分从DFT获得的材料科学知识获知的键合和状态密度描述符对于预测功能性质是至关重要的。
2018-11-15 cond-mat.mtrl-sci cs.LG physics.comp-ph
Prediction of the electron density of states for crystalline compounds with Atomistic Line Graph Neural Networks (ALIGNN)
Georgia Institute of Technology(佐治亚理工学院);National Institute of Standards and Technology(美国国家标准与技术研究院);Theiss Research(泰斯研究公司)
基于机器学习(ML)的模型极大地增强了传统的材料发现和设计流程。具体而言,近年来,用于材料属性预测的替代ML模型已经证明了在预测离散标量值目标属性方面的成功,其DFT计算值的合理准确性。然而,由于目标的复杂性和可用训练数据的有限量,诸如电子态密度(DOS)的光谱目标的准确预测提出了更具挑战性的问题。在这项研究中,我们提出了一个扩展的最近开发的原子线图神经网络(ALIGNN),以准确地预测DOS的一个大的材料单元格结构,训练到公开可用的JARVIS-DFT数据集。此外,我们评估两种方法的目标量的表示-一个直接的离散化频谱,和使用自动编码器获得的压缩低维表示。通过这项工作,我们展示了基于图形的特征化和建模方法在预测复杂目标中的实用性,这些目标取决于材料结构的化学和方向特性。
2022-01-20 cond-mat.mtrl-sci cs.LG physics.atm-clus