摘要
图网络是一种新的机器学习（ML）范式，支持关系推理和组合泛化。本文中，我们开发了通用材料图网络（MEGNet）模型，用于分子和晶体的精确性质预测。我们展示了MEGNet模型在QM9分子数据集的13个属性中的11个方面优于先前的ML模型，如SchNet。同样，我们证明了基于Materials Project中约60,000个晶体训练的MEGNet模型在预测晶体的形成能、带隙和弹性模量方面显著优于先前的ML模型，其准确性超过了密度泛函理论（DFT）在更大数据集上的表现。为了解决材料科学和化学中常见的数据限制问题，我们提出了两种新策略。首先，通过将温度、压力和熵作为全局状态输入，我们将四个独立的分子MEGNet模型（分别用于0 K和室温下的内能、焓和吉布斯自由能）统一为一个单一的自由能MEGNet模型，这种方法具有物理直观性。其次，我们展示了MEGNet模型中学到的元素嵌入编码了周期性的化学趋势，并且可以从在一个较大数据集上训练的性质模型（形成能）进行迁移学习，以提高在较小数据集上训练的性质模型（带隙和弹性模量）的性能。