초록
結晶 소재 설계를 가속화하기 위해 기계 학습 방법을 사용하는 경우 일반적으로 수동으로 구성된 특성 벡터 또는 원자 좌표의 복잡한 변환을 통해 결정 구조를 입력해야 하는데, 이는 모델을 특정 결정 유형에 제한시키거나 화학적 통찰력을 제공하기 어렵게 만듭니다. 본 연구에서는 결정 내 원자의 연결에서 직접 재료 속성을 학습할 수 있는 결정 그래프 컨볼루셔널 신경망(Crystal Graph Convolutional Neural Networks) 프레임워크를 개발하여, 다양한 결정 소재의 보편적이고 해석 가능한 표현을 제공합니다. 본 방법은 $10^4$ 데이터 포인트로 훈련된 후, 다양한 구조 유형과 조성의 결정 8가지 속성에 대한 밀도 함수 이론 계산 속성을 매우 정확하게 예측합니다. 또한, 본 프레임워크는 지역 화학 환경이 전역 속성에 미치는 영향을 추출할 수 있어 해석 가능합니다. 페로브스카이트의 예를 들어, 이러한 정보가 어떻게 재료 설계를 위한 경험적 규칙 발견에 활용될 수 있는지를 설명합니다.