Atomistic Line Graph Neural Network
PulseAugur coverage of Atomistic Line Graph Neural Network — every cluster mentioning Atomistic Line Graph Neural Network across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
图神经网络增强高熵氧化物材料性质预测
研究人员探索了使用图神经网络（GNNs）预测高熵钙钛矿氧化物（HEPOs）的性质，这是一类复杂的材料。该研究调查了有序到无序迁移学习，将从化学有序钙钛矿中获得的知识应用于预测HEPOs的形成能和HOMO-LUMO能隙。结果表明，形成能预测有效迁移，而HOMO-LUMO能隙预测由于对局部化学环境的敏感性而表现出有限的可迁移性。纳入少量HEPO特异性数据集显著提高了HOMO-LUMO能隙预测，并且在GNN模型中包含三体几何信息增强了对复杂…
-
新的GNN模型推动晶体性质预测和分子模拟
研究人员开发了新的图神经网络（GNN）模型来预测晶体性质。其中一种方法CPGN使用多尺度GNN联合学习原子、键和配位多面体表示，在形成能和带隙预测的基准数据集上优于现有模型。另一项开发MolCryst-MLIPs提供了一个分子晶体微调MACE模型的开放数据库，该模型能够解析多晶型能量景观并在模拟过程中保持结构完整性。
-
AI将亚历山大数据库扩展了130万个新的稳定化合物
研究人员开发了一种新的计算材料发现多阶段工作流程，在识别稳定化合物方面取得了99%的成功率。该过程利用Matra-Genoa生成模型、Orb-v2势和ALIGNN图神经网络生成了超过1.19亿个候选结构。该工作流程成功地将130万个经过DFT验证的化合物添加到ALEXANDRIA数据库，其中包括74,000种新的稳定材料，使其扩展到580万个结构。