ADA-GNN：基于原子距离和角度的晶体材料性能预测的图神经网络
内容提要
本文综述了图神经网络在晶体材料性质预测中的应用，涵盖CGNN、CGCNN、多视图神经网络、生成对抗网络、MolNet、SE(3)等变网络、DeepCrysTet、MEGNet及Orbital CrystalNet等模型，这些模型可在DFT级别预测物性、生成新晶体结构并提升材料设计效率。
延伸解读
从原子到晶体：图神经网络如何编码结构信息
文章列举的CGNN和CGCNN通过编码原子、键合及整体状态特征，直接从晶体原子连接中学习物性，并在DFT级别实现预测。CGCNN还能提取局部化学环境对全局物性的贡献，为材料设计提供经验规则。这表明图神经网络的核心优势在于将晶体结构转化为图结构，从而捕捉原子间相互作用，而非依赖手工特征。
生成模型与等变网络：拓展材料设计的可能性
基于生成对抗网络的晶体结构生成模型通过高通量虚拟筛选，预测出23个具有良好光稳定性和能隙的新型晶体结构，并发现未知化学结构。SE(3)等变图神经网络则能高效预测弹性性质，包括弹性模量、变形能密度和弹性常数，并提供可解释的潜在特征。这些方法展示了图神经网络在逆向设计和性质预测中的多样化应用。
数据效率与表示学习：应对材料数据局限
MEGNet模型提出了解决材料科学和化学数据局限性的新策略，而基于可学习分层分子语法的方法能在有限数据下优于其他模型。Orbital CrystalNet通过原子描述符生成和图形表示学习预测材料性质。这些工作表明，图神经网络正朝着提升数据效率和表示能力的方向发展，以缓解材料领域数据稀缺的问题。
Q&A
晶体图神经网络（CGNN）是如何预测晶体属性的？
CGNN通过编码原子、结合和整体状态特征，在DFT级别上实现预测的正确性，从而在合金探索中找到有前途的路径。
CGCNN在晶体材料设计中有什么优势？
CGCNN可直接从晶体原子之间的联系学习材料物性，有效提高晶体材料设计的效率，并能提取局部化学环境对全局物性的贡献，为晶体材料设计提供经验规则。
有哪些图神经网络模型可以用于晶体结构生成？
基于生成对抗网络的晶体结构生成模型可以生成新型结晶体结构，例如通过高通量虚拟筛选成功预测出23个具有良好光稳定性和能隙的新型结晶体结构。
SE(3)等变图神经网络在预测晶体弹性性质方面表现如何？
SE(3)等变图神经网络能较准确地预测重要弹性模量和变形能密度以及相应的弹性常数，并提供可解释预测的有意义的潜在特征。
DeepCrysTet模型相比其他图神经网络有什么优势？
DeepCrysTet通过三维四面体网格生成的晶体结构进行材料属性预测，在分类晶体结构和预测弹性性质方面表现出色，优于现有的图神经网络模型。
MEGNet模型能预测什么？它解决了哪些数据局限性问题？
MEGNet模型能成功预测分子和晶体的物性，并提出了两个解决材料科学和化学数据局限性的新策略。
