Editorial Ilmu Komputer & AI
Tinjauan penerapan graph neural network dalam ilmu material pada skala atom
Masalah inti
Inovasi
Tinjauan ini secara sistematis mengkaji konsep dasar GNN, termasuk representasi graf dari struktur atom dengan node mewakili atom dan edge mewakili ikatan atau interaksi. Tinjauan membandingkan GNN dengan metode machine learning tradisional (misalnya random forest, support vector machine) dan neural network standar (misalnya fully connected network, convolutional neural network), serta menyoroti kemampuan GNN dalam menangkap informasi topologis dan geometris yang melekat pada struktur material. Prinsip tujuh model GNN klasik diuraikan secara rinci:
- **Crystal Graph Convolutional Neural Networks (CGCNN)**: Mengodekan struktur kristal sebagai graf dengan atom sebagai node dan ikatan sebagai edge, menggunakan lapisan konvolusional untuk mempelajari representasi.
- **iCGCNN**: Versi perbaikan dari CGCNN yang memasukkan fitur tambahan seperti informasi sudut.
- **Orbital Graph Convolutional Neural Network (OGCNN)**: Memasukkan interaksi orbital untuk menangkap struktur elektronik dengan lebih baik.
- **MatErials Graph Network (MEGNet)**: Menggunakan kerangka graph network dengan atribut keadaan global untuk memprediksi sifat molekul dan kristal.
- **Global Attention mechanism with Graph Neural Network (GATGNN)**: Memperkenalkan mekanisme attention untuk menimbang kepentingan atom dan ikatan yang berbeda.
- **Atomistic Line Graph Neural Network (ALIGNN)**: Memanfaatkan line graph untuk mengodekan sudut ikatan dan sudut dihedral, sehingga meningkatkan representasi lingkungan atom lokal.
- **BonDNet**: Berfokus pada energi disosiasi ikatan dan jalur reaksi dengan memodelkan perubahan ikatan.
Tinjauan ini menganalisis keterkaitan dan perbedaan antarmodel tersebut, seperti penanganan informasi geometris, kompleksitas komputasi, dan penerapannya pada sifat material yang berbeda.
Mengapa penting
Siapa yang sebaiknya membaca
Membuka konten memberโฆ