摘要
机器学习方法已被广泛应用于材料性质预测的多个方面。近期有研究提出，晶体材料可采用一种称为“晶体图”（crystal graph）的多图（multigraph）结构进行表征。通过将卷积神经网络（CNN）适配于此类图结构，研究人员已成功利用平衡键距作为空间信息，预测材料的体相性质。最近对小分子图神经网络的研究表明，不依赖键距信息的“无距离模型”（no distance model）性能几乎与依赖键距的“距离模型”（distance model）相当。本文提出了一种不使用键距信息的晶体图神经网络（Crystal Graph Neural Networks, CGNN），并引入一种尺度不变的图坐标生成机制，用于构建适用于CGNN模型训练的晶体图数据集，该数据集基于理论材料数据库构建。CGNN模型能够对每种测试材料的体相性质（如生成能、晶胞体积、带隙和总磁矩）进行预测，其平均预测误差均低于对应数据库的基准误差。利用预测的带隙和总磁矩，本文进一步实现了金属-绝缘体与非磁性-磁性两类二元分类任务，取得了良好效果。本文还探讨了基于预测生成能实现候选材料高通量筛选的可行性，并展望了未来基于CGNN架构的材料数据挖掘技术的发展方向。