Jadwal Sholat

Memuat jadwal sholatโ€ฆ

Editorial Ilmu Komputer & AI

Open AccessOA2024

Tinjauan penerapan graph neural network dalam ilmu material pada skala atom

Tinjauan ini membahas prinsip dan penerapan graph neural network (GNN) dalam ilmu material pada skala atom, membandingkan tujuh model GNN klasik, serta menyoroti keterkaitan dan perbedaannya. Tinjauan ini memberikan wawasan untuk mempercepat prediksi sifat material dan desain material baru.
Xingyue Shi; Linming Zhou; Yu-Hui Huang; Yong-Jun Wu; Zi-Jian Hongยท Materials Genome Engineering Advancesยท 2024ยท DOI 10.1002/mgea.50

Masalah inti

Komunitas ilmiah menyaksikan peningkatan penelitian interdisipliner, dengan ilmu material dan kimia semakin banyak mengadopsi teknik machine learning dari ilmu komputer. Graph neural network (GNN) adalah model machine learning yang kuat dengan kemampuan dalam ekstraksi fitur, inferensi hubungan, dan generalisasi komposisional. Keunggulan ini memungkinkan peneliti merancang model komputasi yang mempercepat prediksi sifat material dan desain material baru, sehingga secara signifikan mengurangi biaya yang terkait dengan metode eksperimental tradisional. Tinjauan ini berfokus pada prinsip dan penerapan GNN dalam ilmu material pada skala atom. Tinjauan dimulai dengan memperkenalkan konsep dasar dan keunggulan GNN serta membandingkannya dengan machine learning dan neural network tradisional. Selanjutnya, dibahas prinsip dan sorotan dari tujuh model GNN klasik: crystal graph convolutional neural networks (CGCNN), iCGCNN, Orbital Graph Convolutional Neural Network (OGCNN), MatErials Graph Network (MEGNet), Global Attention mechanism with Graph Neural Network (GATGNN), Atomistic Line Graph Neural Network (ALIGNN), dan BonDNet. Keterkaitan dan perbedaan antarmodel tersebut dirangkum. Terakhir, tinjauan ini memberikan wawasan dan prospek bagi perkembangan pesat GNN dalam ilmu material pada skala atom.

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.

Pendahuluan
Komunitas ilmiah menyaksikan peningkatan penelitian interdisipliner, dengan ilmu material dan kimia semakin banyak mengadopsi teknik machine learning dari ilmu komputer. Graph neural network (GNN) adalah model machine learning yang kuat dengan kemampuan dalam ekstraksi fitur, inferensi hubungan, dan generalisasi komposisional. Keunggulan ini memungkinkan peneliti merancang model komputasi yang mempercepat prediksi sifat material dan desain material baru, sehingga secara signifikan mengurangi biaya yang terkait dengan metode eksperimental tradisional. Tinjauan ini berfokus pada prinsip dan penerapan GNN dalam ilmu material pada skala atom. Tinjauan dimulai dengan memperkenalkan konsep dasar dan keunggulan GNN serta membandingkannya dengan machine learning dan neural network tradisional. Selanjutnya, dibahas prinsip dan sorotan dari tujuh model GNN klasik: crystal graph convolutional neural networks (CGCNN), iCGCNN, Orbital Graph Convolutional Neural Network (OGCNN), MatErials Graph Network (MEGNet), Global Attention mechanism with Graph Neural Network (GATGNN), Atomistic Line Graph Neural Network (ALIGNN), dan BonDNet. Keterkaitan dan perbedaan antarmodel tersebut dirangkum. Terakhir, tinjauan ini memberikan wawasan dan prospek bagi perkembangan pesat GNN dalam ilmu material pada skala atom.

Mengapa penting

Tinjauan ini membahas keunggulan GNN, seperti kemampuannya menangani kondisi batas periodik secara alami, invariansi terhadap rotasi dan translasi, serta skalabilitas pada dataset besar. Tinjauan juga membahas tantangan, termasuk kebutuhan akan dataset berlabel besar, interpretabilitas fitur yang dipelajari, dan integrasi batasan fisik. Keterkaitan dan perbedaan antara tujuh model dianalisis dari segi konstruksi graf, mekanisme message passing, dan fungsi readout. Misalnya, CGCNN menggunakan konvolusi sederhana pada ikatan, sedangkan ALIGNN memakai line graph untuk menangkap informasi sudut, sehingga meningkatkan akurasi untuk sifat yang sensitif terhadap geometri lokal. Tinjauan ini memberikan wawasan tentang arah masa depan, seperti mengembangkan GNN yang memasukkan efek mekanika kuantum, meningkatkan transfer learning untuk material dengan data yang jarang, dan mengintegrasikan GNN dengan model generatif untuk desain invers. Tinjauan menyimpulkan bahwa GNN siap memainkan peran krusial dalam mempercepat penemuan dan desain material pada skala atom.

Siapa yang sebaiknya membaca

Pembaca Research Digest dan praktisi rumpun ini.

Membuka konten memberโ€ฆ