TransMagNet：基于成分利用深度学习预测晶体材料的晶体系统和空间群

《Journal of Applied Crystallography》：TransMagNet: prediction of crystal system and space group for crystalline materials based on composition using deep learning

提出基于Transformer编码器和Magpie线性层的分支网络模型TransMagNet，仅通过成分数据预测晶体系统和空间群。在Materials Project数据集上，空间群分类准确率最高提升6.5%，达0.981；晶体系统分类准确率0.854，显著优于前人模型。

　　

摘要

晶体系统和空间群的预测在估算晶体材料性质和结构预测中得到了广泛应用。以往基于X射线衍射实验和密度泛函理论的结构测定方法已经取得了显著的效率和性能，但这些方法不适用于大规模筛选。还有一些机器学习模型使用Magpie描述符来进行空间群预测；例如，Liang等人提出的方法[Phys. Rev. Mater. (2020), 4, 123802]对不同类型的晶体展示了0.638到0.907之间的预测准确性。在这里，我们提出了一种分支网络模型，名为TransMagNet，该模型基于变压器编码器[Vaswani等人 (2017). Advances in neural information processing systems 30, pp. 5998–6008]和Magpie线性层[Ward等人 (2016). npj Comput. Mater.2, 16028]，仅通过依赖成分数据即可预测材料的晶体系统和空间群。在Materials Project数据集上的基准测试表明，我们的模型在空间群分类方面的性能显著优于以往模型，准确率范围从0.811提高到0.981，预测准确率的最大提升达到了6.5%。该模型在晶体系统预测方面也取得了显著的性能提升，准确率为0.854。