摘要

在基于衍射的晶体结构分析中，热椭球体通过各向异性位移参数（Anisotropic Displacement Parameters, ADPs）量化，是关键但又难以确定的因素。ADPs 描述了原子振动，反映了热学和结构特性，但传统的计算方法往往成本高昂。本文介绍了一种新的图神经网络（Graph Neural Network, GNN）——CartNet，该网络通过将原子几何编码为笛卡尔坐标并结合晶体温度，高效预测晶体性质。CartNet 集成了邻域均等化技术以强调共价和接触相互作用，并采用基于 Cholesky 分解的头部结构以确保有效的 ADP 预测。此外，我们在训练过程中提出了一种旋转 SO(3) 数据增强策略，以处理未见过的取向。我们从剑桥结构数据库（Cambridge Structural Database, CSD）中整理了一个包含超过 200,000 个实验晶体结构的 ADP 数据集来验证这一方法。CartNet 显著降低了计算成本，并在 ADP 预测方面比现有方法提高了 10.87%，同时在理论方法上实现了 34.77% 的改进。我们进一步在涵盖形成能、带隙、总能、凸包上方能量、体积模量和剪切模量的其他数据集上评估了 CartNet，结果表明其在 Jarvis 数据集上的表现优于现有方法 7.71%，在 Materials Project 数据集上则提高了 13.16%。这些改进确立了 CartNet 在多种晶体性质预测中的先进地位。项目网站及在线演示：https://www.ee.ub.edu/cartnet