【Cell】可扩展深度图神经网络的高性能材料性能预测

基于机器学习的材料性能预测模型是一种很有前途的新材料发现方法，其中图神经网络(GNNs)由于具有从晶体结构中学习高级特征的能力而表现出最好的性能。然而，现有的GNN模型缺乏可扩展性，超参数调优复杂度高，且由于过平滑而限制了性能。我们提出了一种可扩展的全局图注意力神经网络模型DeeperGATGNN，该模型具有可微群归一化(DGN)和跳跃式连接，用于高性能材料的性能预测。我们的系统基准研究表明，我们的模型在6个数据集中的5个上实现了最先进的预测结果，比现有的5个GNN模型的性能高出10%。我们的模型在图卷积层方面也是可扩展性最强的，它允许我们训练非常深的网络(例如>30层)，而不会显著降低性能。我们的实现可以在https://github.com/ usccolumbia/deeperGATGNN上找到。

https://www.cell.com/patterns/pdf/S2666-3899(22)00076-9.pdf