拓扑感知的E(3)等变神经网络TopoTENet用于晶体压电张量预测

《npj Computational Materials》：Topology-aware E(3)-equivariant learning for physically consistent piezoelectric tensor prediction

　　摘要在晶体中精确预测压电张量仍然是一项挑战，因为有效响应必须同时满足连续几何对称性和周期边界条件下的离散晶体学约束。现有的基于学习的方法通常强调等变性或周期性几何，但往往没有通过E(3)等变消息传递显式地结合晶体拓扑结构。在此，我们提出了TopoTENet，一种拓扑感知的E(3)等变神经网络，它通过SLICES（基于标记商图的字符串晶体表示）方法用离散晶体拓扑来丰富几何学习，并通过拓扑条件注意力机制优化消息传递。最后的确定性投影步骤通过移除残余的对称性禁止成分，保证了精确的点群合规性。在涵盖79个空间群的369个测试晶体中，TopoTENet达到了0.132 C/m2的平均绝对误差（MAE）和0.302 C/m2的均方根误差（RMSE）。消融分析和一致性分析表明，离散拓扑为几何等变性提供了互补信息，特别是对于周期性张量预测而言。这些结果为压电材料高通量筛选的物理一致代理模型建立了一条路径。