凝聚态物理 > 无序系统与神经网络
[提交于 2024年11月4日
(v1)
,最后修订 2024年12月20日 (此版本, v2)]
标题: 基于图神经网络的深度学习预测结构和电子特性
标题: Graph Neural Networks Based Deep Learning for Predicting Structural and Electronic Properties
摘要: 本研究提出了一种利用图神经网络(GNN)预测材料结构和电子特性的深度学习方法。 通过利用Materials Project数据库中的数据,我们构建了晶体结构的图表示,并使用GNN同时预测多种属性。所有晶体结构均来自Materials Project数据库,总计使用了158,874个结构。 我们的模型在各种属性上表现出高预测准确性,如\( R^2 \)值所示:密度为0.96,形成能为0.97,生成焓为0.54,结构稳定性(is_S)为0.47,带隙为0.76,价带顶为0.86,导带底为0.78,费米能级为0.82。 这些结果展示了GNN在材料科学中的潜力,为快速筛选和发现具有所需特性的材料提供了强大的工具。
文献和引用工具
与本文相关的代码,数据和媒体
alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)
演示
推荐器和搜索工具
arXivLabs:与社区合作伙伴的实验项目
arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。
与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。
有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.