研究进展：图神经网络-声子晶体 | Nature Computational Science

文章预览

对于设计所需性能的新材料，了解结构-性能关系，是至关重要的。在过去的几年里，这种连接的机器学习方法，取得了显著的进步。然而，实质性的挑战，仍然存在，包括模型的可推广性，以及具有材料相关输出维度的性能预测。 近日，美国 麻省理工学院（Massachusetts Institute of Technology）Ryotaro Okabe, Abhijatmedhi Chotrattanapituk， Yongqiang Cheng & Mingda Li等，在Nature Computational Science上发文，提出了虚拟节点图神经网络，以解决这些挑战。通过发展三种虚拟节点方法，实现了从原子坐标预测Γ声子谱和全声子色散。 研究表明，相比于机器学习原子间势，这种方法实现了数量级更高的效率和更好的精度。还生成了包含超过146,000种材料和沸石声子能带结构的Γ-声子数据库。 该项研究，为声子能带结构的快速和高质量预测，提供了新路径，使材料设计具有所需的 ………………………………