Fysiska principer kan införlivas i en maskininlärningsarkitektur som en grundläggande uppställning för att utveckla artificiell intelligens för oorganiska material. I en ny rapport nu på Vetenskapens framsteg , Huta R. Banjade, och ett forskarlag i fysik, data- och informationsvetenskap och nanovetenskap i USA och Belgien föreslog strukturmotiv i oorganiska kristaller för att fungera som en central input till ett ramverk för maskininlärning. Teamet visade hur närvaron av strukturmotiv och deras kopplingar i en stor uppsättning kristallina föreningar kunde omvandlas till unika vektorrepresentationer via en oövervakad inlärningsalgoritm. De åstadkom detta genom att skapa ett motivcentrerat ramverk genom att kombinera motivinformation med atombaserade grafiska neurala nätverk för att bilda ett atom-motiv dual graph network (AMDNet). Inställningen förutspådde exakt den elektroniska strukturen hos metalloxider som bandgap. Arbetet illustrerar en metod för att utforma grafiska arkitekturer för neurala nätverksinlärning för att undersöka komplexa material bortom atomens fysiska egenskaper.

ML metoder

Maskininlärningsmetoder (ML) kan kombineras med massiva materialdata för att påskynda upptäckten och rationell design av funktionella solid state-föreningar. Övervakat lärande kan leda till förutsägelser om materiella egenskaper, inklusive fasstabilitet och kristallnatur, effektiv för molekyldynamiksimuleringar. Strukturmotiv kan skapas i enlighet med Paulings första regel, genom att bilda en koordinerad polyeder av anjoner om varje katjon i en förening för att uppträda som grundläggande byggstenar som är starkt korrelerade med materialegenskaper. Till exempel, strukturmotiven i kristallina föreningar kan spela en väsentlig roll för att bestämma materialegenskaperna i olika tekniska och vetenskapliga tillämpningar. I det här arbetet, Banjade et al. inkorporerade strukturmotivinformation i ett ramverk för maskinlutning (ML). Forskarna kombinerade motivinformationen med grafkonvolutionella neurala nätverk för att utveckla en motivcentrerad djupinlärningsarkitektur känd som atom-motiv dual graph network (AMDNet). Noggrannheten hos strukturen överträffade den hos ett befintligt toppmodernt atombaserat grafnätverk för att förutsäga de elektroniska strukturerna hos oorganiska kristallina material.

En oövervakad inlärningsalgoritm Atom2Vec kan förstå högdimensionella vektorrepresentationer av atomer genom att koda grundläggande egenskaper hos atomer baserat på en omfattande databas med kemiska formler. Banjade et al. fokuserat på binära och ternära metalloxider som utgör ett stort och mångsidigt materialutrymme där kristallstrukturer karakteriseras via katjon-syrekoordination. För att extrahera strukturmotivinformationen, teamet använde den lokala miljöidentifieringsmetoden som utvecklats av Waroquiers et al. som implementerats av Pymatgen-koden. Teamet identifierade tre olika typer av kopplingar mellan ett motiv och dess närliggande motiv; inklusive inre delning (en-atom delad), kantdelning (två atomer delade), och ansiktsdelning (tre eller fler atomer delade). Forskarna föreslog sedan en inlärningsalgoritm för att dra fördel av motivdatainsamlingsprocessen och konverterade effektivt varje rad i motivmiljömatrisen till en högdimensionell vektor för att representera ett unikt strukturmotiv. De extraherade sedan motivinformation för inlärningsprocessen med hjälp av ett grafkonvolutionsnätverk. Teamet syftade till att identifiera mönster och klustringsinformation för dessa högdimensionella motivvektorer för att påverka de komplexa materialegenskaperna hos oxidföreningar. De visualiserade högdimensionella data med hjälp av den t-distribuerade stokastiska granninbäddningen (t-SNE) – en ickelinjär dimensionsreduktionsteknik.

Använda motivinformation i grafiska neurala nätverk.

Forskarna erhöll projicerade motivvektordata i två dimensioner med hjälp av t-SNE-processen. De noterade distinkta kluster baserat på motivtyperna. De kemiska egenskaperna hos de grundämnen som bildar motiven spelade en nyckelroll under klusterbildningen. Till exempel, Lantanid-baserade motiv bildade olika kluster på basis av motivtyp och Yttrium-baserade motiv förblev nära de Lantanid-baserade motiven på grund av deras kemiska likheter. Motiv förknippade med zink och magnesium samlades också. De oövervakade inlärningsbaserade fynden stödde strukturmotiven för att fungera som väsentliga input för kristallina föreningar som bär elementär och strukturell information. Teamet använde sedan information om strukturmotiv som en viktig input till ett grafiskt neuralt nätverk (GNN) för att förutsäga fysiska egenskaper hos material. De flesta grafnätverk tillämpas på kristallina material. För att möjliggöra en inlärningsarkitektur av grafrepresentationer på atomnivå och motivnivå av material, Banjade et al. föreslog att AMDNet skulle kunna konstrueras för att förbättra inlärningsprocessen och förbättra prediktionsnoggrannheten för metalloxidernas elektroniska strukturegenskaper. I motivgraferna, forskarna kodade information på atomnivå och motivnivå i varje nod och konstruerade motivgrafen, inklusive utökad anslutning, vinkel, avstånds- och beställningsparametrar med Python-paketets robokristallografi.

AMDNet

I den föreslagna AMDNet-arkitekturen, Banjade et al. inkorporerade motivinformation i ett grafnätverksinlärningsramverk för att generera motivgrafer och atomgrafer som representerar föreningar med olika kardinalitet av kanter och noder för att kombinera informationen innan man gör förutsägelser. För varje material, teamet skapade en atomgraf och en motivgraf. De använde då 22, 606 binära och ternära metalloxider från Materials Project-databasen för att testa effektiviteten av den föreslagna modellen och fokuserade på förutsägelse av bandgap - ett komplext elektroniskt strukturproblem. Resultaten visade överlägsenheten hos AMDNet under förutsägelse av bandgap jämfört med tidigare nätverk. Modellen visade också överlägsen prestanda under en klassificeringsuppgift av metall kontra icke-metall. Arbetet visade de första ansträngningarna att införliva materialinformation på hög nivå i modeller för djupinlärning för material i fast tillstånd.

På det här sättet, Huta R. Banjade och kollegor visade hur strukturmotiv i kristallstrukturer kunde kombineras med oövervakade och övervakade maskininlärningsmetoder för att förbättra den effektiva representationen av solid-state materialsystem. För komplexa elektroniska strukturer, teamet inkluderade struktur- och motivkopplingsinformation i en AMDNet-modell för att överträffa befintliga nätverk och förutsäga elektroniska bandgap och metall kontra icke-metallklassificeringsuppgifter. Detta allmänna inlärningsramverk kan användas för att förutsäga andra materialegenskaper inklusive mekaniska och exciterade tillståndsegenskaper över tvådimensionella material och metallorganiska ramverk.

© 2021 Science X Network