카르테시안 인코딩 그래프 신경망을 이용한 결정 구조 속성 예측: 열 타원체 추정에의 응용

회절 기반 결정 구조 분석에서 열 타원체는 이방성 변위 매개변수(Anisotropic Displacement Parameters, ADPs)를 통해 정량화되며, 중요한 역할을 하지만 결정하기가 어려운 요소입니다. ADPs는 원자 진동을 포착하여 열적 및 구조적 특성을 반영하지만, 전통적인 계산 방법은 종종 비용이 많이 듭니다. 본 논문에서는 원자 기하학을 직교 좌표와 결정 온도와 함께 인코딩하여 결정 특성을 효율적으로 예측하는 새로운 그래프 신경망(CartNet)을 소개합니다. CartNet은 공유 결합과 접촉 상호작용을 강조하기 위해 이웃 균일화 기술을 통합하고, 유효한 ADP 예측을 보장하기 위해 촐레스키 기반 헤드를 사용합니다. 또한 학습 중에 미처 보지 못한 방향성을 처리하기 위해 회전 SO(3) 데이터 증강 전략을 제안합니다. Cambridge Structural Database(CSD)에서 200,000개 이상의 실험적 결정 구조로 구성된 ADP 데이터셋이 준비되어 이 접근법의 유효성을 검증하였습니다. CartNet은 계산 비용을 크게 줄이고, 기존 방법보다 ADP 예측 성능에서 10.87% 개선되었으며, 이론적 접근법보다 34.77% 더 우수한 결과를 제공하였습니다. 우리는 또한 형성 에너지, 대역 간격, 전체 에너지, 볼록 껍질 위의 에너지, 압축률 및 전단률 등을 포함하는 다른 데이터셋에서도 CartNet의 성능을 평가하였으며, Jarvis 데이터셋에서는 7.71%, Materials Project 데이터셋에서는 13.16% 더 나은 결과를 얻었습니다. 이러한 성과는 CartNet이 다양한 결정 특성 예측에 있어 최신 기술 수준의 해결책임을 입증하였습니다.프로젝트 웹사이트 및 온라인 데모: https://www.ee.ub.edu/cartnet