©PaperWeekly 原创 · 作者|张玮玮
学校|东北大学硕士
研究方向|情绪识别
论文标题:
Crystal Graph Neural Networks for Data Mining in Materials Science
论文链接:
https://storage.googleapis.com/rimcs_cgnn/cgnn_matsci_May_27_2019.pdf
代码链接:
https://github.com/Tony-Y/cgnn
OQMD 数据库(这个数据库比较大,提供 python API 与晶体结构可视化,可以使用 MySQL 读入):OQMD [2]
晶体材料性质一般通过输入晶胞内的原子数目、原子分子坐标、晶格常数利用密度泛函理论(DFT)计算得出。机器学习方法在加速新材料设计方面正变得越来越流行,其预测材料性能的准确性接近从头算计算,但计算速度要快数量级。最近有人提出用称为晶体图来表示晶体材料 [1],适应于晶体图的卷积神经网络利用平衡键距作为空间信息成功地预测了材料的体积特性。
预备知识
1.1 晶格常数(点阵常数)
晶胞三个棱的常数以及这三个棱之间的夹角 6 个参数组成。按晶格常数的不同可以分为七大晶系。在本文中点阵矢量定义为 。
1.2 原子坐标
原子坐标有两种表示形式:分数坐标和笛卡尔坐标。分数坐标是把点阵矢量看成是单位矢量下确定原子位置; 笛卡尔坐标是绝对坐标,是直角坐标系与斜角坐标系的统称,考虑点阵常数的大小。本文利用的是原子的分数坐标 。笛卡尔坐标可以和分数坐标相互转换,在 定义的晶胞中,第 个原子的笛卡尔位置计算为 ,单元格体积 必须大于 0。
1.3 晶体性质
晶体材料的总能量取决于晶体结构