基于图网络和生成模型的三维晶体结构优化研究.pdfVIP

摘要

机器学习技术以其卓越的数据分析与建模能力，在晶体结构优化领域展现出广阔的

应用前景。三维晶体结构优化是材料科学领域的重要研究方向，其研究对加速新材料设计

与性能预测具有重要意义。针对传统的模型在三维晶体结构表示能力与生成质量方面的

不足，本研究提出了一种融合注意力机制的混合框架，将图卷积神经网络GCN和生成对

抗网络GAN进行结合，有效提升了晶体结构预测精度与生成合理性。该框架在包含28,579

对X-MN-O晶体结构的数据集上进行系统性能验证，通过多维度评估指标和消融实验证

实了该框架的有效性。同时在包含62,754对晶体结构的MP材料项目数据集上验证了该

模型的泛化性。本文的主要工作包括：

（1）提出了一种融合多层次注意力机制的晶体结构特征提取模型——AttentionGCN。

该模型通过引入多层次注意力机制，针对传统GCN在建模复杂晶体结构时，对局部原子

环境的细节捕捉不足的问题，从不同的维度增强对关键结构信息的表达能力。该模型由特

征嵌入模块、图卷积模块和回归预测模块组成。在图卷积模块中融合了三类注意力机制，

节点注意力机制用于识别关键原子节点、边注意力机制用于强调不同原子间的相互作用

强度差异、全局注意力机制实现不同特征通道的自适应融合，从而在节点、边及全局特征

层面增强晶体结构的表示能力。实验结果显示该模型相比于基准GCN，MAE降低了

37.92%，RMSE降低11.30%，R²提升0.28%。通过消融实验综合对比了轮廓系数、特征-

能量相关性、局部能量一致性和近邻能量差异4个指标，确定了8头注意力配置（综合评

分3.9952）性能最优，在该配置下模型展现出优异的性能。

（2）提出了一种融合多种注意力机制的晶体结构生成模型——AttentionGAN。现有

生成模型在结构生成中对周期性约束与局部空间结构的建模能力有限，存在生成晶体结

构质量不高、物理一致性差的问题。针对这些问题，该模型分别引入了三类注意力机制。

该模型基于对抗学习框架构建，包含生成器、判别器、残差模块与结构预测模块，在生成

器中引入三种注意力机制：自注意力机制用于捕获原子间的全局依赖关系，空间注意力机

制用于提取局部几何结构特征，周期注意力机制用于强化晶体结构的周期性约束，提高生

成特征的合理性。实验结果显示该模型相比于基准GAN，在平均能量、能量标准差、能

量范围、正能量比例和每原子的能量改进方面都具有有效的改进，其中周期注意力模型能

量改进效果最好，达到0.6698（eV/atom），相比与基准GAN提升了22%。此外，在MP

数据集上重新训练模型，通过对比可视化松弛结构特征与转换后的结构特征，该模型仍然

可以有效恢复非松弛结构的特征空间，展现出较强的泛化能力与生成稳定性。

关键词：深度学习；晶体结构优化；空间注意力机制；周期性注意力机制

Abstract

Theperfectdataanalysisandmodelingcapabilitiesofmachinelearningtechnologyhave

showneffectiveapplicationprospectsinthefieldofcrystalstructureoptimization.Three-

dimensionalcrystalstructureoptimizationisanimportantresearchdirectioninthefieldof

materialsscience,anditsresearchisofgreatsignificancetoacceleratethedesignand

performanceofnewmaterials.Inviewoftheshortcomingsoftraditionalmodelsinthree-

dimensionalcrystalstructurerepresentationandgenerationquality,thisstudyprop