Cartesian Encoding Graph Neural Network を用いた結晶構造の性質予測：熱楕円体推定への応用

回折に基づく結晶構造解析において、熱楕円体は、非等方性変位パラメータ（Anisotropic Displacement Parameters: ADPs）を用いて定量され、重要な一方で決定が困難な要素である。ADPsは原子の振動を捉え、熱的および構造的な特性を反映するが、従来の計算方法はしばしば高コストとなる。本論文では、CartNetという新しいグラフニューラルネットワーク（GNN）を紹介する。CartNetは、原子の幾何学的形状を直交座標にエンコードし、結晶温度も考慮することで結晶特性を効率的に予測する。CartNetは近傍均一化技術を統合して共价結合と接触相互作用を強調し、Choleskyベースのヘッドを使用して有効なADP予測を確保している。また、訓練中に未見の方向性に対処するためにSO(3)回転データ拡張戦略を提案している。Cambridge Structural Database (CSD)から20万件以上の実験的な結晶構造データを集めてADPデータセットを作成し、この手法の妥当性を検証した。CartNetは計算コストを大幅に削減し、既存の方法よりもADP予測性能で10.87%向上しており、理論的手法に対して34.77%の改善を達成している。さらに、形成エネルギー、帯隙エネルギー、全エネルギー、凸包上のエネルギー差、体積弾性率、せん断弾性率などをカバーする他のデータセットでもCartNetの評価を行い、Jarvisデータセットでは7.71%更好的結果を得て、Materials Projectデータセットでは13.16%更好的結果を得た。これらの成果により、CartNetは多様な結晶特性予測における最先端の解決策として確立された。プロジェクトウェブサイトおよびオンラインデモ: https://www.ee.ub.edu/cartnet注：「更好的結果」は中国語表現であり、「より良い結果」に修正しました。修正后的翻译：回折に基づく結晶構造解析において、熱楕円体は非等方性変位パラメータ（Anisotropic Displacement Parameters: ADPs）によって定量され、重要かつ決定が難しい要素である。ADPsは原子振動を捉え、熱的および構造的特性を反映するが、従来の計算方法はしばしば高コストとなる。本論文では新しいグラフニューラルネットワーク（GNN）、CartNetについて紹介する。CartNetは原子幾何学形状を直交座標にエンコードし、結晶温度も考慮することで結晶特性を効率的に予測する手法である。CartNetは近傍均一化技術を取り入れて共価結合と接触相互作用を強調し、Choleskyベースのヘッドを使用して有効なADP予測を行うことを保証している。また訓練時に未見の方向性に対応するためにSO(3)回転データ拡張戦略も提案している。Cambridge Structural Database (CSD)から20万件を超える実験的な結晶構造データを集めることでADPデータセットを作成し、この手法の妥当性を検証した。CartNetは計算コストを大幅に削減するとともに、既存の方法よりもADP予測性能で10.87%向上しており、理論的手法に対して34.77%改善していることが確認された。さらに形成エネルギー、帯隙エネルギー（band gap）、全エネルギー（total energy）、凸包上のエネルギー差（energy above the convex hull）、体積弾性率（bulk moduli）、せん断弾性率（shear moduli）などをカバーする他のデータセットでも評価を行いJarvisデータセットでは7.71%改善しMaterials Projectデータセットでは13.16%改善した成果を得た。これらの進歩によりCartNetは多様な結晶特性予測における最先端ソリューションとして位置づけられた。プロジェクトウェブサイトおよびオンラインデモ: https://www.ee.ub.edu/cartnet