근사적 등변 프레임 평균화를 통한 결정질 재료용 CGCNN 향상

Abstract

딥러닝 기반 재료 데이터 계산 모델링은 ab initio 방법에 비해 높은 계산 효율성과 경쟁력 있는 정확도로 주목받고 있다. CGCNN은 간결한 아키텍처를 기반으로 한 그래프 신경망 모델로, 다양한 확장이 가능하다는 장점이 있으나, 재료 구조 정보 중 원자 간 거리만을 활용하기 때문에 3차원 기하학적 구조를 충분히 반영하지 못해 예측 성능에 한계가 있다. 본 연구에서는 CGCNN을 확장하여 원자의 좌표와 상대 좌표를 각각 노드 및 엣지 임베딩에 포함한 FACGCNN을 제안한다. 또한 좌표계 변화에 따른 대칭성 문제를 해결하기 위해 근사적 등변 프레임 평균화 기법을 적용하였다. 무기물 결정 구조로 구성된 Carolina 데이터셋을 활용한 실험에서 제안 방법이 기존 CGCNN보다 우수한 예측 성능을 보였다.

Deep learning-based computational modeling of materials data has gained attention for offering significantly higher computational efficiency and competitive accuracy compared to ab initio methods. CGCNN, a graph neural network model with a simple and extensible architecture, has shown promising performance; however, its reliance solely on interatomic distances limits its ability to capture full three-Dimensional (3D) geometric structures, resulting in constraints on prediction accuracy. In this study, we propose Frame Averaging-based CGCNN (FACGCNN), an extension of CGCNN that incorporates atomic coordinates and relative positions into node and edge embeddings, respectively. To address the issue of sensitivity to coordinate system transformations we apply an approximate equivariant frame averaging technique. Experiments conducted on the Carolina dataset, which consists of inorganic crystal structures, demonstrate that the proposed method outperforms the original CGCNN in terms of predictive accuracy.