人工智能技術(shù)在材料設計和性能優(yōu)化方面展現(xiàn)出了強大的潛力，如何準確描述材料的微觀結(jié)構(gòu)已成為材料科學領(lǐng)域的關(guān)鍵挑戰(zhàn)之一。常見的圖卷積神經(jīng)網(wǎng)絡模型在處理高階多體相互作用時，往往缺乏明確的編碼方式，且消息傳遞機制也尚在探索中。

近日，中國科學院計算機網(wǎng)絡信息中心研發(fā)了一種新型的晶體圖卷積神經(jīng)網(wǎng)絡模型—TiraCGCNN，該模型采用了高階多體相互作用編碼技術(shù)，能夠更加準確地描述晶體結(jié)構(gòu)，并有效預測晶體化合物的相關(guān)性質(zhì)。TiraCGCNN模型不僅結(jié)合了原子的屬性、鍵長和鍵角信息，還創(chuàng)新性地提供了一種更新原子及鍵長的機制，使其能夠深入捕捉隱藏的結(jié)構(gòu)特征。在晶體化合物的形成能預測方面，TiraCGCNN展現(xiàn)出了較好的預測能力。該模型在隨機數(shù)據(jù)集中的測試結(jié)果顯示，形成能的平均誤差僅為0.048eV/atom，且R2值高達0.994，顯示出其優(yōu)異的泛化能力與可靠性。

三體交互作用特征顯式編碼示例

TiraCGCNN模型框架

該研究成果已發(fā)表在國際知名期刊《Scientific Reports》（JCR Q1，中國科學院Q2），論文第一作者為中心人工智能部碩士研究生袁揚，通訊作者為人工智能部副研究員王宗國。該工作得到了中國科學院前沿科學重點研究計劃、中國科學院青年創(chuàng)新促進會和中國科學院網(wǎng)信專項的支持。

相關(guān)成果：Yang Yuan, Ziyi Chen, Tianyu Feng, et al. Tripartite interaction representation algorithm for crystal graph neural networks. Scientific Reports 14, 24881 (2024).

論文鏈接：https://www.nature.com/articles/s41598-024-76309-w

責任編輯：郎楊琴