王彪教授-李华山教授团队在材料属性预测方面取得新进展

      beat365中国唯一官方网站李华山教授与王彪教授研究团队创建的机器学习模型成功实现了材料对称性的智能识别和多属性准确预测。该工作以“Material symmetry recognition and property prediction accomplished by crystal capsule representation”为题，于2023年8月25日发表在国际高水平期刊《Nature Communications》上。

       基于统计机制的机器学习(ML)方法最近被广泛应用于物理、材料等研究中，以实现准确的性能预测和逆向设计。由于晶体对称性是凝聚态系统的基本属性，针对对称性的感知与识别对于准确预测材料电学性质和微观响应至关重要。然而由于卷积神经网络在感知对称性方面的固有缺陷，现有的ML算法仍然很难感知空间群中全部对称性变换。即使晶体对称性被隐式地包含在由图模型生成的材料表征中，空间特征仍会由于卷积操作而缺失对于旋转、反射、螺旋轴与滑移面等复杂变换的检测。因此，准确识别晶体对称性并强化属性预测是突破当前ML算法缺陷并增强可解释性与泛化性的关键。

      针对以上问题，研究团队开发了一种名为基于对称性增强的等变性网络(SEN)的新型ML模型来克服上述挑战，通过构建基于胶囊网络的变分自编码器识别任意对称性变换空间模式，并构建材料的化学环境以学习原子相互作用和晶体系统的空间特征（图1(a)-(b)）。团队通过定量分析和可解释性研究表明，基于团簇-性质映射的SEN模型可以准确地感知晶体对称性，把对称性信息转换为团簇间的等价性和相似性信息，并通过减少有效特征空间强化预测性能。SEN模型解决了常规ML方法在高对称空间群中表现不佳的问题，在预测带隙和形成能时，平均绝对误差(MAE)分别为0.18 eV和0.018 eV /atom。

      该工作由beat365中国唯一官方网站独立完成（唯一署名单位），梁超博士后为第一作者，王彪教授和李华山教授为共同通讯作者，伊丽米然木肉扎洪博士等对该工作有重要贡献。上述工作得到了国家自然科学基金重点和面上项目、广东省珠江人才计划等项目的支持，同时也受到beat365中国唯一官方网站、广东省磁电物性分析与器件重点实验室、中子科学与技术中心的大力支持。

图1 晶体胶囊标征示意图。（a）胶囊机制编码先验空间变换特征；（b）材料的晶体胶囊集合结构。

论文链接

Liang, C., Rouzhahong, Y., Ye, C. et al. Material symmetry recognition and property prediction accomplished by crystal capsule representation. Nat Commun 14, 5198 (2023). http://doi.org/10.1038/s41467-023-40756-2