الشبكات العصبية الرسومية البلورية للتنقيب عن البيانات في علوم المواد

تم استخدام أساليب التعلم الآلي في التنبؤ بخصائص المواد بطرق متعددة. وتم مؤخرًا اقتراح تمثيل المادة البلورية باستخدام رسم بياني متعدد يُسمى "رسم بياني بلوري"، حيث أظهرت الشبكات العصبية التلافيفية المُعدّلة لتلك الرسوم البيانية نجاحًا في التنبؤ بخصائص المادة الشاملة باستخدام أطوال الروابط المتوازنة كمعلومات مكانية. وقد أظهرت دراسة حديثة حول الشبكات العصبية للرسوم البيانية الخاصة بالجزيئات الصغيرة أن النموذج الذي لا يعتمد على المسافات يؤدي أداءً شبه متساوٍ مع النموذج الذي يعتمد على المسافات. تقدم هذه الورقة نماذج الشبكات العصبية للرسوم البيانية البلورية (CGNNs) التي لا تعتمد على أطوال الروابط، وتُقدّم مُنسقًا رسوميًا مستقلًا عن المقياس، يُستخدم لتكوين الرسوم البيانية البلورية لتدريب نماذج CGNN على مجموعة بيانات مبنية على قاعدة بيانات مواد نظرية. وتُقدّر نماذج CGNN الخصائص الشاملة مثل طاقة التكوين، وحجم الخلية الوحدوية، وفتحة النطاق، والمغناطيسية الكلية لكل مادة في مجموعة الاختبار، حيث تكون الأخطاء المتوسطة أقل من تلك المُسجّلة في قاعدة البيانات المقابلة. كما تُستخدم القيم المتنبأة لفتحة النطاق والمغناطيسية الكلية في تصنيفات ثنائية بين الموصل والعازل، وبين غير المغناطيسي والمغناطيسي، مع تحقيق نتائج ناجحة. وتتضمن هذه الورقة مناقشات حول التصفية عالية الإنتاجية للمواد المرشحة باستخدام طاقات التكوين المتنبأة، وكذلك حول التطورات المستقبلية في تحليل بيانات المواد بناءً على هياكل CGNN.