Un réseau neuronal graphique à encodage cartésien pour la prédiction des propriétés des structures cristallines : application à l’estimation de l’ellipsoïde thermique

Dans l'analyse de la structure cristalline basée sur la diffraction, les ellipsoides thermiques, quantifiés par des paramètres de déplacement anisotropes (ADP), sont essentiels mais difficiles à déterminer. Les ADP captent les vibrations atomiques, reflétant les propriétés thermiques et structurales, mais le calcul traditionnel est souvent coûteux. Cet article introduit CartNet, un nouveau réseau neuronal graphique (GNN) permettant de prédire efficacement les propriétés cristallines en codant la géométrie atomique dans des coordonnées cartésiennes tout en prenant en compte la température du cristal. CartNet intègre une technique d'égalisation des voisins pour mettre l'accent sur les interactions covalentes et de contact, ainsi qu'une tête basée sur la décomposition de Cholesky pour garantir des prédictions d'ADP valides. Nous proposons également une stratégie d'augmentation de données rotationnelle SO(3) lors de l'entraînement pour gérer les orientations inconnues. Un ensemble de données d'ADP comprenant plus de 200 000 structures cristallines expérimentales provenant de la Cambridge Structural Database (CSD) a été compilé pour valider cette approche. CartNet réduit considérablement les coûts de calcul et surpasse les méthodes existantes dans la prédiction des ADP avec une amélioration de 10,87 %, tout en offrant une amélioration de 34,77 % par rapport aux approches théoriques. Nous avons évalué CartNet sur d'autres ensembles de données couvrant l'énergie de formation, l'intervalle interbande, l'énergie totale, l'énergie au-dessus du convexe enveloppant, le module isostatique et le module de cisaillement, obtenant des résultats supérieurs à ceux du Jarvis Dataset (7,71 %) et du Materials Project Dataset (13,16 %). Ces gains établissent CartNet comme une solution de pointe pour diverses prédictions des propriétés cristallines. Site web du projet et démonstration en ligne : https://www.ee.ub.edu/cartnet