摘要
图神经网络（Graph Neural Networks, GNN）相较于基于描述符的机器学习模型，在原子级材料表征与建模任务中已展现出显著的性能提升。尽管现有大多数用于原子级预测的GNN模型主要依赖原子间距离信息，但它们并未显式地引入键角特征，而键角对于区分多种原子结构至关重要。此外，许多材料性质对键角的微小变化极为敏感。为此，我们提出了一种原子级线图神经网络（Atomistic Line Graph Neural Network, ALIGNN），该架构在原子间键合图及其对应的线图（用于表征键角）上均执行消息传递。我们证明，键角信息可被显式且高效地纳入模型，从而在多个原子级预测任务中显著提升性能。我们基于JARVIS-DFT、Materials Project和QM9数据库中公开的52种固态及分子性质，构建了ALIGNN模型进行预测。实验结果表明，ALIGNN在原子级预测任务上的准确率相较部分已有GNN模型最高可提升85%，同时保持更优或相当的模型训练速度。