文献笔记：Benchmarking graph neural networks for materials chemistry

链接: https://doi.org/10.1038/s41524-021-00554-0.

摘要

GNNs很适用于材料领域，很多成功的GNNs已经用在了从晶体稳定性到电子性质预测，再到表面化学和多相催化。但没有一个统一的基准，阻碍了新模型的发展和统一评估。
这篇文章提出了一个统一的流程和测试平台，MatDeepLearn，来快速和可重复的评估和对比GNNs和其他的机器学习模型。
通过整个模型发现了1)超参数选择的重要性，2)GNNs的优点: 3)缺点。

Introduction

ML模型基于描述符：Coulomb matrix, atom-centered symmetry functions (ACSFs), and smooth overlap of atomic positions (SOAP)。
找到effective 描述符——challenging problems.

GNNs克服了静态描述符的limitations, 利用基于atom的节点得出节点级别的embeddings，通过与邻居点和边做卷积。

有必要对当前state-of-the-art(SOTA)最先进技术进行批判性评估：
1）使用相同的数据集；
2）数据库可以代表材料化学中多样化的问题；
3）相同的输入信息或表示；
4） 超参数优化到相同的程度；
5）可重复。

根据这些标准，提出了MatDeepLearn.
processing部分是data processing.

RESULTS

从几个方面进行分析：1.通过数据集评价性能；2. GNN特征可视化；3. 训练规模的依赖性；4. 表征敏感性的评估。

一，通过数据集评价性能

7个ML模型，5个数据集；
前四个SOTA模型在多个数据集中相差不多；
第五个GCN表明，SOTA可以比GCN更好的提取空间信息；
第6个SOAP效果不好，但在快晶体和2D材料上表现很好；说明仍有空间信息提取能力。
第七个是baseline

二， GNN特征可视化
t-distributed stochastic neighbor embedding (t-SNE)

三，训练规模的依赖性

四，表征敏感型的评估

DISCUSSION

amper数据量时，GNNs性能更好；
数据集小，预设的描述符性能更好，但超出应用范围，效果很快就变差。
结合领域知识，可以补充现有的灵活性和学习表达的能力。
利用现有的高通量数据库，迁移学习也可以提高性能。（promising avenue）

Methods

SchNet:

MPNN:

CGCNN:

MEGNet：