通过专家指导的坐标优化，从未松弛结构中实现可靠的晶体性质预测

《npj Computational Materials》：Robust crystal property prediction from unrelaxed structures via expert-guided coordinate refinement

　　

摘要

图神经网络是用于预测材料性质的高效工具，但由于其依赖于计算成本较高的松弛几何结构，这在高通量筛选过程中构成了重大瓶颈。在此，我们提出了RUGE-Net，这是一种等变图神经网络，能够直接从未松弛的晶体结构预测材料性质。RUGE-Net整合了专家混合（MoE）架构、用于逐步调整原子位置以减少结构噪声的迭代坐标优化模块，以及扰动增强训练策略。在JARVIS数据库上，RUGE-Net在包括形成能和总能量在内的多种热力学性质预测方面表现出色，并且在较大的坐标扰动下仍能保持稳定的预测性能。我们发现，坐标优化和扰动训练对于防止误差的剧烈放大而言是不可或缺的。此外，MoE门控网络能够自发形成可解释的元素特异性专业化能力，无需额外的化学监督即可将共价元素和离子元素分配给不同的专家处理。由于能够在含噪声的输入数据上保持近乎完美的材料排序精度（Spearman ρ > 0.99），我们的方法使得可以直接从未松弛的候选结构快速且可靠地开展计算材料科学研究。