摘要

利用机器学习方法加速晶体材料的设计通常需要手动构建特征向量或对原子坐标进行复杂转换以输入晶体结构，这要么限制了模型仅适用于某些类型的晶体，要么使得提供化学见解变得困难。本文中，我们开发了一种晶体图卷积神经网络框架，可以直接从晶体中原子的连接关系中学习材料属性，从而为晶体材料提供一种通用且可解释的表示方法。经过使用10,000个数据点训练后，我们的方法能够对具有不同结构类型和组成的晶体的八种不同属性进行高精度预测，这些属性由密度泛函理论计算得出。此外，我们的框架具有可解释性，因为可以从局部化学环境提取对全局属性的贡献。以钙钛矿为例，我们展示了如何利用这些信息发现材料设计的经验规律。