Réseaux de neurones à graphes cristallins pour l'extraction de données en science des matériaux

Les méthodes d’apprentissage automatique ont été utilisées de diverses manières pour prédire les matériaux. Il a récemment été proposé de représenter un matériau cristallin par un multigraphe appelé graphe cristallin. Des réseaux de neurones convolutifs adaptés à ces graphes ont permis avec succès de prédire les propriétés volumiques des matériaux en utilisant les distances de liaison à l’équilibre comme information spatiale. Une étude récente sur les réseaux de neurones sur graphes appliqués aux petites molécules a montré que le modèle sans distance obtient des performances presque aussi bonnes que celles du modèle avec distance. Ce papier propose des réseaux de neurones sur graphes cristallins (CGNN) qui ne reposent pas sur les distances de liaison, et introduit un coordinateur de graphe invariant à l’échelle, permettant de construire des graphes cristallins adaptés aux modèles CGNN pour leur entraînement sur un ensemble de données basé sur une base théorique de matériaux. Les modèles CGNN prédise les propriétés volumiques telles que l’énergie de formation, le volume de la maille élémentaire, l’écart de bande et la magnétisation totale pour chaque matériau testé, avec des erreurs moyennes inférieures à celles correspondantes de la base de données. Les énergies de formation prédites sont ensuite utilisées pour le tri à haut débit de matériaux candidats, tandis que les écarts de bande et les magnétisations totales prédites permettent des classifications binaires réussies entre métal-isolant et non-magnétique-magnétique. Ce travail présente également une discussion sur les perspectives d’application du tri à haut débit de matériaux à l’aide des énergies de formation prédites, ainsi que sur les progrès futurs de l’exploration de données sur les matériaux fondés sur les architectures CGNN.