Использование графовых нейронных сетей (GNN) для анализа данных о материалах
Ключевые слова:
графовые нейронные сети, анализ данных, материаловедение, кристаллические решетки, предсказание свойств материаловАннотация
В статье рассматриваются возможности применения графовых нейронных сетей (GNN) для анализа данных о материалах. Графовые нейронные сети, благодаря своей способности работать с неевклидовыми данными, представляют собой мощный инструмент для моделирования сложных структур, таких как кристаллические решетки, молекулы и композиты.
Обсуждаются основные принципы работы GNN, их преимущества перед традиционными методами анализа данных, а также приводятся примеры успешного применения GNN в материаловедении. Особое внимание уделено задачам предсказания свойств материалов, поиска новых соединений и оптимизации существующих материалов.
Библиографические ссылки
Kipf, T. N., & Welling, M. Semi-Supervised Classification with Graph Convolutional
Networks // arXiv.org: [сайт]. – 2016. – URL: https://arxiv.org/abs/1609.02907 // (дата обращения: 15.10.2023). – Текст: электронный.
Battaglia, P. W., et al. Relational inductive biases, deep learning, and graph networks //
arXiv.org: [сайт]. – 2018. – URL: https://arxiv.org/abs/1806.01261 // (дата обращения: 15.10.2023). – Текст: электронный.
Xie, T., & Grossman, J. C. Crystal Graph Convolutional Neural Networks for an Accurate
and Interpretable Prediction of Material Properties // Physical Review Letters. – 2018. – Vol. 120, № 14. – P. 145301.
Gilmer, J., et al. Neural Message Passing for Quantum Chemistry // Proceedings of the 34th
International Conference on Machine Learning. – 2017. – Vol. 70. – P. 1263–1272.
Chen, C., et al. Predicting Materials Properties with Little Data Using Shotgun Transfer
Learning // ACS Central Science. – 2019. – Vol. 5, № 10. – P. 1717–1730.
Goodall, R. E. A., & Lee, A. A. Predicting materials properties without crystal structure:
deep representation learning from stoichiometry // Nature Communications. – 2020. – Vol. 11, № 1. – P. 1–9.
Jørgensen, P. B., et al. Machine learning-based screening of complex molecules for polymer
solar cells // The Journal of Chemical Physics. – 2018. – Vol. 148, № 24. – P. 241735.
Sanchez-Lengeling, B., & Aspuru-Guzik, A. Inverse molecular design using machine
learning: Generative models for matter engineering // Science. – 2018. – Vol. 361, № 6400. – P. 360–365.
Schmidt, J., et al. Recent advances and applications of machine learning in solid-state
materials science // npj Computational Materials. – 2019. – Vol. 5, № 1. – P. 1–36.
Опубликован
Как цитировать
Выпуск
Раздел
Лицензия
Copyright (c) 2025 Молодёжный вестник Новороссийского филиала Белгородского государственного технологического университета им. В. Г. Шухова
Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial-NoDerivatives» («Атрибуция — Некоммерческое использование — Без производных произведений») 4.0 Всемирная.
Copyright information
Тексты данной электронной статьи защищены (cc) Creative Commons Attribution-NonCommercial-NoDerivs 3.0 Unported License.
Вы можете свободно:
Делиться (You are free: to Share) – копировать, распространять и передавать другим лицам данную электронную книгу при обязательном соблюдении следующих условий:
– Атрибуция (Attribution) – Вы должны атрибутировать произведения (указывать автора и источник) в порядке, предусмотренном автором или лицензиаром (но только так, чтобы никоим образом не подразумевалось, что они поддерживают вас или использование вами данного произведения).
– Некоммерческое использование (Noncommercial use) – Вы не можете использовать эти произведения в коммерческих целях.
– Без производных произведений – Вы не можете изменять, преобразовывать или брать за основу эту электронную книгу или отдельные произведения.
Licensed under the Creative Commons Attribution-NonCommercial-NoDerivs 3.0 Unported License.
To view a copy of this license, visit https://creativecommons.org/licenses/by-nc-nd/4.0/
or send a letter to Creative Commons, 444 Castro Street, Suite 900, Mountain View, California, 94041, USA.
You are free:
to Share — to copy, distribute and transmit the work
Under the following conditions:
Attribution — You must attribute the work in the manner specified by the author or licensor (but not in any way that suggests that they endorse you or your use of the work).
Non-commercial — You may not use this work for commercial purposes.
No Derivative Works — You may not alter, transform, or build upon this work.
Any of the above conditions can be waived if you get permission from the copyright holder.
